محمد گلشن؛ اباذر اسمعلی عوری؛ علی افضلی؛ افشین جهانشاهی
چکیده
شناخت حوزه‌های آبخیز جهت حفاظت آب و خاک و ارائۀ برنامه‌ریزی مناسب در سطح حوزۀ آبخیز از اهمیت بالایی برخوردار است. شبیه‌سازی حوزه‌های آبخیز با استفاده از مدل‌های رایانه‌ای به‌طور سریع در حال توسعه است و این مدل‌ها ابزارهای ضروری برای فهم انسان از حوزۀ آبخیز و فرآیندهای هیدرولوژیکی هستند. در این تحقیق مدل‌های بارش-رواناب HEC-HMS ...
بیشتر
شناخت حوزه‌های آبخیز جهت حفاظت آب و خاک و ارائۀ برنامه‌ریزی مناسب در سطح حوزۀ آبخیز از اهمیت بالایی برخوردار است. شبیه‌سازی حوزه‌های آبخیز با استفاده از مدل‌های رایانه‌ای به‌طور سریع در حال توسعه است و این مدل‌ها ابزارهای ضروری برای فهم انسان از حوزۀ آبخیز و فرآیندهای هیدرولوژیکی هستند. در این تحقیق مدل‌های بارش-رواناب HEC-HMS و IHACRES برای شبیه‌سازی هیدروگراف سیل در حوزۀ آبخیز کسیلیان با مساحت 8/67 کیلومتر مربع مورد استفاده قرار گرفت. برای تهیۀ نقشه‌های مورد نیاز برای اجرای مدل HEC-HMS از الحاقیۀ HEC-GeoHMS استفاده شد. داده‌های هیتوگراف بر پایۀ گام زمانی 15 دقیقه و هیدروگراف مربوط به آن بر پایۀ گام زمانی یک ساعته به هر دو مدل وارد شد. سپس شبیه‌سازی هیدروگراف سیل بر پایۀ گام زمانی 15 دقیقه انجام شد. ضرایب آماری CP و RE% برای ارزیابی کارایی مدل‌ها مورد استفاده قرار گرفت. مقادیر این ضرایب با استفاده از مدل HEC-HMS برای سیلاب 26 نوامبر 1994 به‌ترتیب 72/0 و 26/118 و برای سیلاب 6 اکتبر 1996 به‌ترتیب 81/0 و 63/24- و با استفاده از اجرای مدل IHACRES برای سیلاب اول به‌ترتیب 63/0 و 4/152 و برای سیلاب دوم به‌ترتیب 79/0 و 6/35- محاسبه شد. نتایج نشان داد که مدل‌های مورد استفاده برای شبیه‌سازی هیدروگراف سیل منطقه از عملکرد قابل قبولی برخوردار هستند و مدل HEC-HMS در مقایسه با مدل IHACRES از عملکرد بهتری برخوردار است.
علی سلاجقه؛ علی فتح آبادی؛ محمد مهدوی
دوره 62، شماره 1 ، خرداد 1388
چکیده
یکی از پیچیده‌ترین فرآیندهای هیدرولوژیکی فرآیند بارش-رواناب است, که از پارامترسهای مختلف فیزیکی و هیدرولوژیکی تاثیر می‌پذیرد. در این پژوهش با بهره‌گیری از روش‌های آماری ARMAX, شبکه عصبی, عصبی-فازی (ANFIS با جداسازی خوشه‌ای و شبکه‌ای) و دو مدل بدست آمده از ترکیب آنها به منظور مدل‌سازی فرآیند بارش-رواناب و پیش‌بینی جریان رودخانه بهره‌گیری ...
بیشتر
یکی از پیچیده‌ترین فرآیندهای هیدرولوژیکی فرآیند بارش-رواناب است, که از پارامترسهای مختلف فیزیکی و هیدرولوژیکی تاثیر می‌پذیرد. در این پژوهش با بهره‌گیری از روش‌های آماری ARMAX, شبکه عصبی, عصبی-فازی (ANFIS با جداسازی خوشه‌ای و شبکه‌ای) و دو مدل بدست آمده از ترکیب آنها به منظور مدل‌سازی فرآیند بارش-رواناب و پیش‌بینی جریان رودخانه بهره‌گیری شد. به طوری که درآغاز ساختار بهینه هر یک از مدل‌ها تعیین شده و سپس با بهره‌گیری از مدل برگزیده اقدام به پیش‌بینی جریان رودخانه شد. نتایج این پژوهش نشان داد که مدل‌های ترکیبی عملکرد بهتری نسبت به دیگر مدل‌های مورد آزمون به صورت جداگانه داشته و به علت غیر خطی بودن فرآیند بارش-رواناب عملکرد مدل‌های هوش مصنوعی بهتر از مدل‌های خطی ARMAX است. شایان بیان است که هر چند عملکرد همه نتایج بدست آمده از این پژوهش نشانگر قابل قبول بودن عملکرد همه مدل‌های مورد آزمون بود, اما به دلیل قابلیت مناسب روش ANFIS با جداسازی خوشه‌ای این روش برای پیش‌بینی جریان رودخانه و مدل‌سازی فرآیند بارش-رواناب قابل پیشنهاد است.
