تخمین ضریب رواناب رگبار با استفاده از سیستم استنباط فازی- عصبی تطبیقی (ANFIS) در حوزه آبخیز بار اریه نیشابور

سال انتشار: 1394
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 231

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JWSS-19-73_014

تاریخ نمایه سازی: 22 اردیبهشت 1400

چکیده مقاله:

فرآیند بارش - رواناب و ایجاد سیلاب از پدیده های هیدرولوژیکی هستند که بررسی آنها به سبب تاثیرپذیری از پارامترهای مختلف، دشوار می باشد. تاکنون روش ها و الگو های مختلفی برای تحلیل این پدیده ها ارائه شده است. از این رو هدف این پژوهش ارزیابی شبکه عصبی-فازی تطبیقی در پیش بینی ضریب رواناب رگبار است. به این منظور حوزه آبخیز بار اریه نیشابور انتخاب و داده های مربوط به ۳۳ واقعه در بین سال های آماری ۱۳۳۱ تا ۱۳۸۵ جمع آوری گردید. به منظور انتخاب متغیرهای مستقل در برآورد ضریب رواناب از تجزیه و تحلیل عاملی استفاده شد، که براساس آن چهار متغیر مقدار متوسط بارندگی، چارک سوم، اول و چهارم شدت بارندگی و همچنین پنج متغیر شاخص ( ;phi) و چارک های اول تا چهارم شدت بارش به عنوان عوامل اصلی برگزیده شدند. همچنین ترکیب سایر متغیرها براساس نقش هیدرولوژیکی آنها، به عنوان ورودی شبکه مدنظر قرار گرفت. نتایج نشان داد که شبکه با ورودی چارک های اول تا چهارم شدت بارندگی، مقدار کل بارش و شاخص ;phi و بارش پنج روز قبل ضریب رواناب رگبار را با ضریب تبیین آزمون ۹۱/۰ و ریشه میانگین مربعات خطا ۰۲۸۰۶/۰ و متوسط قدر مطلق خطا ۰۲۷۵/۰ پیش بینی کند.

نویسندگان

مینا جعفری

۱. Dept. of Watershed Management Eng., Faculty of Natur. Resour. and Marine Sci., Tarbiat Modares Univ., Noor, Iran.

مهدی وفاخواه

۱. Dept. of Watershed Management Eng., Faculty of Natur. Resour. and Marine Sci., Tarbiat Modares Univ., Noor, Iran.

احد توسلی

۱. Dept. of Watershed Management Eng., Faculty of Natur. Resour. and Marine Sci., Tarbiat Modares Univ., Noor, Iran.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Aqil, M. I. Kita. A. Yano and S. Nishiyama. ۲۰۰۷. ...
  • Chen, S. H. Y. H. Lin. L. C. Chang. F. ...
  • Jang, J. S. R. ۱۹۹۳. ANFIS adaptive-network-based fuzzy inference system. ...
  • Kisi, O. ۲۰۰۵. Suspended sediment estimation using neuro-fuzzy and neural ...
  • Kisi, O. ۲۰۰۸. River flow forecasting and estimation using different ...
  • Kurtulus, B. and M. Razack. ۲۰۱۰. Modeling daily discharge responses ...
  • Manly, B. F. J. ۲۰۰۵. Multivariate statistical methods, Chapman & ...
  • Mousavi, S. J. K. Mahdizadeh and A. Afshar. ۲۰۰۴. A ...
  • Mukerji, A. C. Chatterjee and N. Singh Raghuwanshi. ۲۰۰۹. Flood ...
  • Nash, J. E. and J. V. Sutcliffe. ۱۹۷۰. River flow ...
  • Nayak, P. C. K. P. Sudheer. D. M. Rangan and ...
  • Norbiato, D. M. Borga. R. Merz. G. Bloschl. and A. ...
  • Ponnambalam, K. F. Karray and S. J. Mousavi. ۲۰۰۳. Minimizing ...
  • Sen, z. ۲۰۰۸. Instantaneous runoff coefficient variation and peak discharge ...
  • Sriwongsitanon, N. and W. Taesombat. ۲۰۱۱. Effects of land cover ...
  • Talei, A. L. H. C. Chu. T. S. W. Wong. ...
  • Vafakhah, M. ۲۰۱۲. Application of artificial neural networks and adaptive ...
  • Zounemat-Kermani, M. and M. Teshnehlab. ۲۰۰۸. Using adaptive neuro-fuzzy inference ...
  • Zhu, Y. M., X. X. Lu and Y. Zhou. ۲۰۰۷. ...
  • توسلی، ا. ۱۳۸۷. دینامیک ضریب رواناب در مقیاس رگبار در ...
  • سامانی، ر. ش. احمدی و م. نوری. ۱۳۸۴. استفاده از ...
  • فلاح قالهری، غ. ع. وحیدیان کامیاد، م. موسوی بایگی و ...
  • پیش بینی سری های زمانی تک متغیره هیدرولوژیکی با استفاده از سیستم فازی بر پایه شبکه عصبی تطبیقی [مقاله کنفرانسی]
  • نورانی، و و ک. صالحی. ۱۳۸۷. مدلسازی بارش- رواناب با ...
  • هنر، ت. م. ح. طرازکار. و م. ر. طرازکار. ۱۳۸۹. ...
  • نمایش کامل مراجع