ورود
مقالات فارسیISIکنفرانسهاژورنالها

مدل سازی بارش- رواناب با استفاده از مدل HBV و الگوریتم جنگل تصادفی در حوضه آبخیز بازفت

محل انتشار: مجله تحقیقات آب و خاک ایران، دوره: 52، شماره: 5
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 158

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/1658801

شناسه ملی سند علمی:

JR_IJSWR-52-5_018

تاریخ نمایه سازی: 31 اردیبهشت 1402

چکیده مقاله:

برآورد رواناب حاصل از بارندگی در یک حوضه آبخیز از جهات گوناگون از جمله مدیریت مخازن سدها، مدیریت منابع آب، تنظیم سیلاب، کنترل فرسایش کناره و بستر رودخانه حائز اهمیت می­باشد. در این مطالعه، از مدل مفهومی HBV و مدل هوش مصنوعی جنگل تصادفی (RF) به منظور شبیه­سازی فرایند بارش-­رواناب در حوضه آبخیز بازفت در ایستگاه هیدرومتری لندی برای دوره آماری ۲۰۱۰ تا ۲۰۱۷ استفاده شد. برای ارزیابی عملکرد مدل­ها، از آماره­های ضریب همبستگی (r)، ریشه میانگین مربعات خطا (RMSE)، معیار کارایی نش–­ساتکلیف (NS)، میانگین مطلق درصد خطا (MAPE) و میانگین قدرمطلق خطا (MAE) استفاده شد. مقایسه نتایج مدل مفهومی HBV و مدل RF نشان دهنده عملکرد بهتر مدل RF بود. بنابراین، مدل RF با مقادیر (m۳/s ۳۹/۰RMSE=، ۵۹/۹MAPE=، ۲۵/۰MAE=، ۹۵/۰ r= و ۸۲/۰NS=) به عنوان مدل برتر انتخاب گردید و این مدل می­تواند برای کاربردهای آینده به عنوان یک گزینه جدید برای پیش­بینی رواناب در حوضه بازفت مورد استفاده قرار گیرد.

کلیدواژه ها:

نویسندگان

فاطمه سهرابی گشنیگانی

MSc Student of Water Resources Engineering, Department of Water Engineering, Faculty of Agriculture, Shahrekord University, Shahrekord, Iran.

رسول میرعباسی نجف آبادی

Associate Professor, Department of Water Engineering, Faculty of Agriculture, Shahrekord University, Shahrekord, Iran.

محمدرضا گلابی

Ph.D of Hydrology and Water Resources, Department of Water Engineering, Faculty of Water Sciences, Shahid Chamran University of Ahvaz, Ahvaz, 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 :
  • Adnan, R.M., Yuan, X., Kisi, O., Adnan, F., and Mehmood, ...
  • Ahmadi, M., Dadashi Roudbari, A., and Deyrmajai, A. (۲۰۲۰). Runoff ...
  • Artimani, M., Zeinivand, H., and Tahmasebipour, N. (۲۰۱۹). Performance evaluation ...
  • Breiman, L. (۱۹۸۴). Classification and regression trees CA, Wadsworth International ...
  • Breiman, L. (۲۰۰۱). Random forests. Machine Learning, ۴۵(۱): ۵-۳۲ ...
  • Chang, T.K., Talei, A., Alaghmand, S., and Ooi, M. P.-L. ...
  • Davanlou Tajbakhsh, A., Nourani, V., and Molajou, A. (۲۰۱۹). Hybrid ...
  • Fathabadi, A., Salajegheh, A., and Mahdavi, M. (۲۰۰۹). Streamflow forecasting ...
  • Hassanzadeh, Y., Abdi Kordani, A., Shafiei Najd, M., and Khoshtinat, ...
  • Hussain, D., and Khan, A.A. (۲۰۲۰). Machine learning techniques for ...
  • Jaiswal, R.K., Ali, S., and Bharti, B. (۲۰۲۰). Comparative evaluation ...
  • Lorrai, M., and Sechi, M.G. (۱۹۹۵). Neural nets for modeling ...
  • Maneshdavi, A., Nikbakht Shahbazi, A., Fathian, H. (۲۰۱۸). Rainfall-runoff continuous ...
  • Phomcha, P., Wirojanagud, P., Vangpaisal, T., and Thaveevouthti, T. (۲۰۱۱). ...
  • Radchenko, I., Breuer, L., Forkutsa, I., and Frede, H.G. (۲۰۱۴). ...
  • Ren ,W.W., Yang, T., Huang, C.S., Xu, C., and Shao, ...
  • Santhi, C., Arnold, J.G., Williams, J., Dugas, W.A., and Hauck ...
  • Seibert, J. (۲۰۰۰). Multi-criteria calibration of a conceptual runoff model ...
  • Seyedian, S., Bagherpour, M., Fathabadi, A., and Mohammadi, A. (۲۰۱۹). ...
    • نمایش کامل مراجع