ترکیب بهینه متغیرها برای شبیه سازی رواناب در حوزه آبخیز امامه با استفاده از آزمون گاما
عنوان مقاله: ترکیب بهینه متغیرها برای شبیه سازی رواناب در حوزه آبخیز امامه با استفاده
از آزمون گاما
شناسه ملی مقاله: JR_WASO-23-4_005
منتشر شده در در سال 1392
شناسه ملی مقاله: JR_WASO-23-4_005
منتشر شده در در سال 1392
مشخصات نویسندگان مقاله:
علیرضا شریفی - دانشجوی سابق کارشناسی ارشد منابع آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
یعقوب دین پژوه - دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
احمد فاخری فرد - استاد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
علیرضا مقدم نیا - دانشیار، گروهاحیایمناطقخشکوکوهستانی،دانشکدهمنابعطبیعی،دانشگاهتهران
خلاصه مقاله:
علیرضا شریفی - دانشجوی سابق کارشناسی ارشد منابع آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
یعقوب دین پژوه - دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
احمد فاخری فرد - استاد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
علیرضا مقدم نیا - دانشیار، گروهاحیایمناطقخشکوکوهستانی،دانشکدهمنابعطبیعی،دانشگاهتهران
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.
کلمات کلیدی: آزمون گاما, حوزه آبخیز امامه, رگرسیون خطی محلی, شبکه عصبی مصنوعی
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1587870/