برآورد رسوب معلق با استفاده از مدل های ناپارامتریک M۵و رگرسیون تطبیقی چند متغیره اسپلاین (MARS) (مطالعه موردی: رودخانه های تیره-ماربره لرستان)

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 226

فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_WATER-12-2_002

تاریخ نمایه سازی: 29 دی 1400

چکیده مقاله:

در پژوهش حاضر از الگوریتم درختی M۵ و رگرسیون تطبیقی چند متغیره اسپلاین MARS به عنوان روش های نوین جهت برآورد بار معلق رسوب در مقایسه با روش منحنی سنجه رسوب استفاده شده است. اطلاعات مورداستفاده در این پژوهش شامل دبی جریان آب و دبی رسوب مربوط به چهار ایستگاه هیدرومتری تیره دورود و تیره مروک بر روی رودخانه تیره و همچنین ماربره دورود و ماربره دره تخت بر روی رودخانه ماربره در استان لرستان است. جهت ساخت و صحت سنجی مدل­ها، دبی جریان با یک، دو و سه روز تاخیر و دبی جریان همان روز به همراه باران به عنوان پارامترهای ورودی و دبی بار معلق رسوب به عنوان پارامتر خروجی در نظر گرفته شد. جهت بررسی کارایی مدل­ها و مقایسه نتایج آن­ها با روش­های متداول موجود از آنالیزهای آماری استفاده شد. در ایستگاه ماربره دورود، مقدار RMSE و R۲  مربوط به مدل­ M۵ به ترتیب ۴۷/۰ و ۷۱/۰ و برای مدل MARS به ترتیب ۴۶/۰و ۷۲/۰ بوده درحالی که در روش منحنی سنجه این مقدار ۵۶/۰ و ۶۴/۰ است. عملکرد مدل­های ارائه­شده، نشان­دهنده بهبود دقت و توانایی آن­ها در تخمین بار معلق رسوب می­باشد. نتایج حاصل نشان داد که معادلات ارائه شده توسط مدل­های درختی M۵ و MARS  دقت بیشتری نسبت به منحنی سنجه دارند. بر اساس نتایج به دست آمده مشاهده شد که دو روش M۵ و MARS پاسخ­های نزدیک به هم ارائه داده­اند، اما در نهایت با توجه به ساختار ساده و مفهومی مدل­ M۵ این روش به عنوان روش مناسب­تر جهت برآورد بار معلق در محدوده موردمطالعه انتخاب گردید.  علاوه بر آن بررسی روابط به دست آمده از دو مدل M۵ و MARS نشان داد که از میان پارامترهای ورودی، دبی جریان روز قبل و همان روز جهت برآورد بار معلق مورداستفاده قرار گرفته­اند و مقادیر پیش­بینی بیش از هر عاملی متاثر از این دو عامل بوده­اند.

کلیدواژه ها:

نویسندگان

بابک شاهی نژاد

استادیار گروه مهندسی آب، دانشگاه لرستان، ایران

سیده حدیث شاهرخی

دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم آباد، ایران

حسین یوسقی

دانشیار، دانشکده علوم و فنون نوین، دانشگاه تهران

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 :
  • ابراهیمی محمدی، ش.، س. ح. ر. صادقی و ک. چپی. ...
  • جباری، ا.، م. صمدی. ۱۳۹۲. کاربرد الگوریتم M۵ در پیشبینی ...
  • حزباوی، ز.، س.ح.ر. صادقی و ح.ا. یونسی. ۱۳۹۱ . تحلیل ...
  • دهقانی، ا.، م. ملکمحمدی و ا. هزارجریبی. ۱۳۸۹. تخمین بار ...
  • ظهیری، ج. ۱۳۹۴. کاربرد مدلهای ناپارامتریک CART و M۵ در ...
  • شاهرخی، س. ح.، ج. ظهیری و ا. جعفری. ۱۳۹۵. کاربرد ...
  • Abraham, A., D. Steinberg, N. S. Philip. ۲۰۰۱. Rainfall forecasting ...
  • Achite, M., S. Ouillon. ۲۰۰۷. Suspended sediment transport in a ...
  • Adamowski, J., H. F. Chan, S. O. Prasher, V.N. Sharda. ...
  • Bahmani, B., B. M. Taha, J. Ouarda. ۲۰۲۰. Groundwater level ...
  • Etemad-Shahidi, A., N. Ghaemi, ۲۰۱۱. Model tree approach for prediction ...
  • Etemad-Shahidi, A., J. Mahjoobi. ۲۰۰۹. Comparison between M۵΄ model tree ...
  • Etemad-Shahidi, A., M. Taghipour. ۲۰۱۲. Predicting longitudinal dispersion coefficient in natural ...
  • García-Nietoa, P.J., E. García-Gonzaloa, J.R. Alonso Fernándezb, C. Díaz Muñizb. ...
  • Ghaemi, A., M. Rezaie-Balfa, J. Adamowskib, O. Kisic, J. Quiltyb. ...
  • Haghiabi, A. H. ۲۰۱۶. Prediction of longitudinal dispersion coefficient using ...
  • Heddam, S. ۲۰۲۱.New formulation for predicting soil moisture content using ...
  • Quinlan, J. R. ۱۹۹۲. Learning with continuous classes. Proc., ۵th ...
  • Rachit, S., A.N. Tiwari, V.K. Giri. ۲۰۱۹. Solar radiation forecasting ...
  • Rajaee, T., h. Jafari. ۲۰۲۰. Two decades on the artificial ...
  • Sadegh Safar, M. J. ۲۰۲۰. Hybridization of multivariate adaptive regression ...
  • Samadi, M., E. Jabbari, H. M. Azamathulla, M. Mojallal. ۲۰۱۵. ...
  • Wang, Y., I. H. Witten, ۱۹۹۷. Induction of Model Trees ...
  • Yang, C.T., R. Marsooli, M. Taghi Aalami. ۲۰۰۹. Evaluation of ...
  • Yilmaz, B., E. Aras, S. Nacar, M. Kankal. ۲۰۱۸. Estimating ...
  • Zahiri۱, Z., H. Nezaratian. ۲۰۲۰. Estimation of transverse mixing coefficient ...
  • Zhang, W., A.T.C. Goh. ۲۰۱۶. Multivariate adaptive regression splines and ...
  • Zheng, G., W. Zhang, H. Zhou, P. Yang. ۲۰۲۰. Multivariate ...
  • نمایش کامل مراجع