ترکیب بهینه متغیرها برای شبیه سازی رواناب در حوزه آبخیز امامه با استفاده از آزمون گاما
- سال انتشار: 1392
- محل انتشار: فصلنامه دانش آب و خاک، دوره: 23، شماره: 4
- کد COI اختصاصی: JR_WASO-23-4_005
- زبان مقاله: فارسی
- تعداد مشاهده: 277
نویسندگان
دانشجوی سابق کارشناسی ارشد منابع آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
استاد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
دانشیار، گروهاحیایمناطقخشکوکوهستانی،دانشکدهمنابعطبیعی،دانشگاهتهران
چکیده
رواناب ناشی از بارش یک فرایند پیچیده و غیرخطی بوده و بنابراین، مدلسازی آن چندان آسان نیست. هدف این مطالعه کاربرد آزمون گاما برای انتخاب ترکیب بهینه متغیرهای ورودی در مدلسازی رواناب رودخانه حوزه آبخیز امامه میباشد. برای تعیین بهینه تعداد دادههای مورد نیاز برای مدلسازی از آزمون M استفاده شد. دادههای بارندگی P(t) و روانابR(t) در مقیاس روزانه و در طول دوره آماری ۱۳۸۸- ۱۳۷۹ استفاده شد. همچنین هشت متغیر ورودی شامل سری مربوط به جریان با تاخیر یک روزه (R(t-۱))، دو روزه (R(t-۲))، سه روزه (R(t-۳)) و چهار روزه (R(t-۴))، سری بارندگی روزانه بدون تاخیر زمانی (P(t)) و با تاخیرهای یک روزه (P(t-۱))، دو روزه (P(t-۲)) و سه روزه (P(t-۳)) استفاده شد. مدلسازی جریان آب رودخانه با استفاده از تعداد نقاط بهینه متغیرهای منتخب با روشهای شبکه عصبی مصنوعی و رگرسیون خطی محلی انجام شد. نتایج نشان داد که شش متغیر شامل P(t)، P(t-۱)، P(t-۲)، P(t-۳)، R(t-۱) و R(t-۲) بهینه ترکیب متغیرها در مدلسازی جریان رودخانه حوزه مذکور میباشند. همچنین با استفاده از خروجی آزمون M تعداد ۱۴۰۵ داده برای بخش آموزش مدلسازی مناسب تشخیص داده شد. نتایج حاکی از این واقعیت است که روش رگرسیون خطی محلی LLR)) در قسمت آموزش از دقت بالاتری نسبت به روش شبکههای عصبی مصنوعی برخوردار است، در حالیکه در مرحله تست مدل، روش شبکه عصبی از دقت بیشتری برخوردار بود. مقدار R۲ و RMSE روش LLR در بخش آموزش بترتیب معادل ۹۶/۰ و ۷/۱ بدست آمد.کلیدواژه ها
آزمون گاما, حوزه آبخیز امامه, رگرسیون خطی محلی, شبکه عصبی مصنوعیاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.