برآورد میزان رواناب با کمک مدل های تغییر یافته SCS
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 207
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIRCSA-7-4_002
تاریخ نمایه سازی: 15 اسفند 1400
چکیده مقاله:
در دهه های اخیر مدل های مفهومی مختلفی ارائه شده است که این مدل ها همواره دارای پارامترهایی هستند که میبایست با توجه به داده های مشاهداتی مورد تخمین قرار گیرند. از طرف دیگر، یافتن مقادیر بهینه برای پارامترهای هر مدل شبیه سازی، کاری است که همواره با شک و تردید همراه می باشد. یکی از روش های عمده برای پیشبینی سیلاب، روش سازمان حفاظت خاک آمریکا (SCS) می باشد که توسط محققین زیادی مورد بازبینی و تغییر قرار گرفته است. هدف از تحقیق حاضر، واسنجی پارامترهای ۱- روش اصلاحی CN، ۲- مدل میشرا و سینگ، ۳- روش قدیمی شماره منحنی هر سه نسخه مدل معروف SCS و مقایسه نتایج آنها می باشد. با توجه به مشکل اعتماد و نقص در داده های حوضه های داخل کشور، حوضه معرف با کیفیت داده های بارش و رواناب ساعتی مورد قبول، واقع در جنوب شیلی با استفاده از الگوریتم فراکاوشی PSO مورد مطالعه قرار گرفت. مقادیر دبی شبیه سازی شده با استفاده از معیارهای خطای کلینگ گوپتا (KGE)، ضریب ناش- ساتکلیف (NS)، ضریب همبستگی (R۲) و میانگین مربعات خطا (RMSE) مورد بررسی قرار گرفت. به طور خلاصه مقایسه نتایج مقادیر رواناب شبیه سازی شده و مشاهده شده با کمک معیارهای ارزیابی مدل، نشان ازکارایی بالاتر دو روش ۱- میشرا و سینگ و ۲- روش اصلاحی CN (KGE=۰.۹۱) در شبیه سازی بارش-رواناب بود که لزوم بازنگری جدی استفاده از روش های بارش-رواناب مرسوم مبتنی بر شماره منحنی را میطلبد.
کلیدواژه ها:
Keywords: Curve number ، PSO evolutionary algorithm ، Calibration ، Rainfall-runoff modeling. ، واژه های کلیدی: الگوریتم فراکاوشی PSO ، سیلاب ، شماره منحنی ، مدل بارش-رواناب ، واسنجی
نویسندگان
سعید سروری
دانشکده فردوسی دانشگاه فردوسی مشهد
محسن پوررضا
دانشکده کشاورزی دانشگاه بیرجند
زهرا زراعتکار
جهاد کشاورزی بیرجند
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 :