دوره 15، شماره 1 - ( بهار و تابستان 1403 )
جلد 15 شماره 1 صفحات 106-94 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Hadian Amri M, Gholami V, Yousefi A. (2024). Prediction of the rainfall-runoff process using field plots and artificial neural network (ANN). J Watershed Manage Res. 15(1), 94-106. doi:10.61186/jwmr.15.1.94
URL: http://jwmr.sanru.ac.ir/article-1-1255-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1255-fa.html
هادیان امری محمدعلی، غلامی وحید، یوسفی آتنا. شبیه‌سازی فرآیند بارش- رواناب با به‌کارگیری پلات‌های صحرایی و شبکه عصبی مصنوعی پژوهشنامه مديريت حوزه آبخيز 1403; 15 (1) :106-94 10.61186/jwmr.15.1.94
1- مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی مازندران، سازمان تحقیقات، آموزش و ترویج کشاورزی، ساری، ایران و مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی مازندران، سازمان تحقیقات، آموزش و ترویج کشاورزی، ساری، ایران
2- دانشکده منابع طبیعی، دانشگاه گیلان، رشت، ایران & دانشکده منابع طبیعی، دانشگاه گیلان، رشت، ایران
3- مرتع‌داری دانشگاه تهران، تهران، ایران و مرتع‌داری دانشگاه تهران، تهران، ایران
2- دانشکده منابع طبیعی، دانشگاه گیلان، رشت، ایران & دانشکده منابع طبیعی، دانشگاه گیلان، رشت، ایران
3- مرتع‌داری دانشگاه تهران، تهران، ایران و مرتع‌داری دانشگاه تهران، تهران، ایران
چکیده: (840 مشاهده)
چکیده مبسوط
مقدمه و هدف: شبیه‌سازی فرآیند بارش- رواناب برای برآورد رواناب ناشی از وقوع بارندگی گامی مهم در برنامه‌ریزی و مدیریت منابع طبیعی و منابع آب به‌ویژه در آبخیزهای فاقد ایستگاه‌های هیدرومتری است؛ اما این فرآیند دارای پیچیدگی‌های خاص خود و عوامل مؤثر متعدد ازجمله عوامل بارش (مقدار و شدت بارش)، پوشش گیاهی (نوع پوشش و تراکم پوشش)، عوامل خاک (بافت خاک، رطوبت اولیه خاک و میزان نفوذپذیری خاک) و نحوه مدیریت اراضی است. تحقیق حاضر باهدف ارائه مدلی برای شبیه‌سازی فرآیند بارش- رواناب با استفاده از مدل‌سازی شبکه عصبی مصنوعی (ANN) و داده‌های رواناب پلات‌های صحرایی صورت گرفت.
مواد و روش‌ها: این تحقیق روی یک دامنه شیب‌دار در دانشگاه گیلان با خاک رسی- لومی به‌صورت تکراری از پلات‌های زوجی در تیمارهای مختلف پوشش گیاهی و مدیریت اراضی انجام شد. همچنین، با استفاده از یک باران‌سنج ذخیره‌ای، بعد از هر بارش مقدار بارندگی اندازه‌گیری شد. مقادیر رواناب نیز به‌واسطه پلات‌ها برآورد و از تفاوت مقادیر بارش و رواناب‌ها، مقادیر هدررفت اولیه در سطح هر پلات به ازای هر واقعه بارش در شرایط متفاوت رطوبت پیشین خاک محاسبه گردید. مجموع بارش پنج روز قبل به‌عنوان رطوبت پیشین خاک برآورد شد. در مورد نحوه مدیریت زراعی دو الگوی شخم در جهت شیب و شخم عمود بر جهت شیب برای گشت گونه‌های مرتعی بومی مورد استفاده و مقایسه قرار گرفت. تغییرات شیب، بافت خاک و خصوصیات خاک به دلیل محدودیت سطح ناچیز بود؛ لذا از خاک به‌عنوان یک ورودی تأثیرگذار بر روی رواناب استفاده نشده است. چون هدف ارزیابی اثر پوشش گیاهی و مدیریت زراعی در تولید رواناب بود؛ بنابراین، باید شرایط یکسان برای سطح پلات‌های زوجی به‌منظور بی‌اثر کردن اثر خاک فراهم نمود. به‌منظور مدل‌سازی داده های اخذشده به دو دسته داده های آموزشی و آزمودنی تفکیک شدند. پارامتر مقادیر رواناب به‌عنوان خروجی مدل و مقادیر بارش، درصد تاج پوشش مرتعی و درختی، رطوبت پیشین خاک، درصد لاش‌برگ به‌عنوان ورودی‌های بهینه مدل در نظر گرفته شد. شیب زمین با استفاده از مساحی برآورد گشت. درصد پوشش گیاهی و درصد لاش‌برگ با استفاده از نسبت سطح پوشش گیاهی به سطح کل پلات و میکروپلات اندازه‌گیری شد. تعیین نوع پوشش به‌صورت کمی مشکل است؛ اما به دلیل شبیه‌سازی اثر قطرات باران، پاشمان باران و برگاب درختان، ارتفاع پوشش گیاهی نیز در نظر گرفته شد.
یافته‌ها: به دلیل سطح محدود پلات‌ها عملاً مقدار ذخیره بسیار ناچیز بود. براساس تجزیه‌وتحلیل آماری عوامل میزان بارندگی و رطوبت پیشین خاک رابطه مثبت با تولید رواناب دارند. پوشش گیاهی و لاش‌برگ با مقادیر رواناب رابطه معکوس دارند. در نهایت، مهم‌ترین عامل در کنترل تولید رواناب، عامل پوشش گیاهی است (0/71-=R2). بیشترین کارایی در کنترل تولید رواناب در پلات دارای پوشش مرتعی با تاج پوشش صد درصد مشاهده‌شده است. پوشش گیاهی به‌نوعی تعیین‌کننده مقادیر لاش‌برگ و هوموس خاک است. گونه‌های درختی نیز به‌طور محدودی در کنترل کاهش رواناب مؤثر بوده‌اند و اگر پوشش مرتعی در زیر تاج پوشش درختان مستقر شود موجب کارایی مضاعفی در کاهش تولید رواناب خواهد شد. هرچند عموماً زیر درختان یا اراضی جنگلی پوشش مرتعی حداکثری رویت نشده است. نتایج نشان داد با توجه به تعداد محدود درختان به‌واسطه گیرش گیاهی مقادیر تولید رواناب تا حداکثر 10 درصد کاهش دهند که در مطالعات گذشته این اثر پوشش جنگلی بین 40 درصد جنگل‌های متراکم تا جنگل‌های تنک متغیر بوده است. همچنین نتایج نشان داد که هر دو عامل نوع لاش‌برگ (بقایای گونه‌های مرتعی یا درختی) و میزان یا درصد پوشش لاش‌برگ در کنترل ایجاد رواناب تأثیرگذار هستند. درمورد تأثیر الگوی شخم، نتایج نشان می‌دهد که شخم و کشت نواری در جهت عمود به جهت شیب، منجر به کاهش سرعت رواناب، نفوذ بیشتر رواناب، حفظ رطوبت بیشتر در خاک، شرایط بهتر رشد و نمو پوشش گیاهی می‌شود. درنهایت این موارد منجر به کاهش فاحش تولید رواناب خواهد شد که مقایسه رواناب اندازه‌گیری شده در این دو پلات در وقایع متعدد بارش بیانگر این مطلب بوده است و پلات دارای شخم و کشت عمود در جهت شیب پس از استقرار کامل پوشش گیاهی می‌تواند تا 50 درصد در کاهش تولید رواناب مؤثرتر باشد. نتایج روش آزمون-خطا در مدل شبکه‌های عصبی حاکی از آن است که مقادیر بارش، نوع پوشش گیاهی، درصد تاج پوشش گیاهی ورودی‌های بهینه جهت شبیه‌سازی مقادیر رواناب می‌باشند. همچنین نتایج نشان داد که تابع انتقال تانژانت هیپربولیک و فن یادگیری LM بهترین گزینه‌ها برای ساختار بهینه شبکه‌ها می‌باشند. آموزش شبکه‌های عصبی در دو مرحله نشان داد مدل به‌کاررفته دارای کارایی بالایی در برآورد مقادیر رواناب می‌باشند. براساس نتایج اعتبارسنجی، شبکه MLP به‌عنوان یک شبکه کارآمد جهت شبیه‌سازی مقادیر رواناب یا فرآیند بارش- رواناب است. همچنین، مقایسه بین مقادیر شبیه‌سازی‌شده و مقادیر مشاهداتی رواناب در مرحله آزمودن نشان داد که تطابق خوبی بین مقادیر شبیه‌سازی‌شده و مقادیر مشاهداتی است. مقادیر 0/97, R2=0/004MSE= و 0/91, R2 = 4/2=MSE به ترتیب در مرحله آموزش و مرحله آزمودن مدل به دست آمد و درنهایت مدلی با کارایی بالا برای شبیه سازی فرآیند بارش- رواناب ارائه شد. نتیجه فرآیند مدل‌سازی نشان داد که پوشش مرتعی دارای بالاترین کارایی در کنترل میزان رواناب است.
نتیجه‌گیری: خصوصیات پوشش گیاهی نظیر نوع پوشش گیاهی و تراکم آن مهم‌ترین عامل کنترل‌کننده ایجاد رواناب در اراضی شیب‌دار است. علاوه بر این، نحوه مدیریت زمین، الگوی کشت و نحوه شخم زمین نیز از دیگر عوامل مهم هستند؛ بنابراین، می‌توان براساس خصوصیات خاک، شیب زمین و رطوبت پیشین خاک، مقادیر تلفات کل و هدر رفت اولیه را برآورد نمود و الگوی های کشت یا نوع پوشش گیاهی مناسب را برای کنترل یا کاشت رواناب انتخاب و عملکرد آن‌ها را طی فرآیند بارش-رواناب مدل‌سازی کرد. همچنین یک مدل آزمایش شده مبتنی بر شبکه عصبی می‌تواند ابزاری برای برآورد مقادیر رواناب در مقیاس ماهانه و سالانه براساس داده‌های بارش ایستگاه‌های هواشناسی باشد. از مدل مذکور می‌توان برای شبیه سازی اثر سناریوهای مختلف پوشش گیاهی در تولید رواناب و یا برآورد رواناب براساس بارش ایستگاه های هواشناسی استفاده نمود.
مقدمه و هدف: شبیه‌سازی فرآیند بارش- رواناب برای برآورد رواناب ناشی از وقوع بارندگی گامی مهم در برنامه‌ریزی و مدیریت منابع طبیعی و منابع آب به‌ویژه در آبخیزهای فاقد ایستگاه‌های هیدرومتری است؛ اما این فرآیند دارای پیچیدگی‌های خاص خود و عوامل مؤثر متعدد ازجمله عوامل بارش (مقدار و شدت بارش)، پوشش گیاهی (نوع پوشش و تراکم پوشش)، عوامل خاک (بافت خاک، رطوبت اولیه خاک و میزان نفوذپذیری خاک) و نحوه مدیریت اراضی است. تحقیق حاضر باهدف ارائه مدلی برای شبیه‌سازی فرآیند بارش- رواناب با استفاده از مدل‌سازی شبکه عصبی مصنوعی (ANN) و داده‌های رواناب پلات‌های صحرایی صورت گرفت.
مواد و روش‌ها: این تحقیق روی یک دامنه شیب‌دار در دانشگاه گیلان با خاک رسی- لومی به‌صورت تکراری از پلات‌های زوجی در تیمارهای مختلف پوشش گیاهی و مدیریت اراضی انجام شد. همچنین، با استفاده از یک باران‌سنج ذخیره‌ای، بعد از هر بارش مقدار بارندگی اندازه‌گیری شد. مقادیر رواناب نیز به‌واسطه پلات‌ها برآورد و از تفاوت مقادیر بارش و رواناب‌ها، مقادیر هدررفت اولیه در سطح هر پلات به ازای هر واقعه بارش در شرایط متفاوت رطوبت پیشین خاک محاسبه گردید. مجموع بارش پنج روز قبل به‌عنوان رطوبت پیشین خاک برآورد شد. در مورد نحوه مدیریت زراعی دو الگوی شخم در جهت شیب و شخم عمود بر جهت شیب برای گشت گونه‌های مرتعی بومی مورد استفاده و مقایسه قرار گرفت. تغییرات شیب، بافت خاک و خصوصیات خاک به دلیل محدودیت سطح ناچیز بود؛ لذا از خاک به‌عنوان یک ورودی تأثیرگذار بر روی رواناب استفاده نشده است. چون هدف ارزیابی اثر پوشش گیاهی و مدیریت زراعی در تولید رواناب بود؛ بنابراین، باید شرایط یکسان برای سطح پلات‌های زوجی به‌منظور بی‌اثر کردن اثر خاک فراهم نمود. به‌منظور مدل‌سازی داده های اخذشده به دو دسته داده های آموزشی و آزمودنی تفکیک شدند. پارامتر مقادیر رواناب به‌عنوان خروجی مدل و مقادیر بارش، درصد تاج پوشش مرتعی و درختی، رطوبت پیشین خاک، درصد لاش‌برگ به‌عنوان ورودی‌های بهینه مدل در نظر گرفته شد. شیب زمین با استفاده از مساحی برآورد گشت. درصد پوشش گیاهی و درصد لاش‌برگ با استفاده از نسبت سطح پوشش گیاهی به سطح کل پلات و میکروپلات اندازه‌گیری شد. تعیین نوع پوشش به‌صورت کمی مشکل است؛ اما به دلیل شبیه‌سازی اثر قطرات باران، پاشمان باران و برگاب درختان، ارتفاع پوشش گیاهی نیز در نظر گرفته شد.
یافته‌ها: به دلیل سطح محدود پلات‌ها عملاً مقدار ذخیره بسیار ناچیز بود. براساس تجزیه‌وتحلیل آماری عوامل میزان بارندگی و رطوبت پیشین خاک رابطه مثبت با تولید رواناب دارند. پوشش گیاهی و لاش‌برگ با مقادیر رواناب رابطه معکوس دارند. در نهایت، مهم‌ترین عامل در کنترل تولید رواناب، عامل پوشش گیاهی است (0/71-=R2). بیشترین کارایی در کنترل تولید رواناب در پلات دارای پوشش مرتعی با تاج پوشش صد درصد مشاهده‌شده است. پوشش گیاهی به‌نوعی تعیین‌کننده مقادیر لاش‌برگ و هوموس خاک است. گونه‌های درختی نیز به‌طور محدودی در کنترل کاهش رواناب مؤثر بوده‌اند و اگر پوشش مرتعی در زیر تاج پوشش درختان مستقر شود موجب کارایی مضاعفی در کاهش تولید رواناب خواهد شد. هرچند عموماً زیر درختان یا اراضی جنگلی پوشش مرتعی حداکثری رویت نشده است. نتایج نشان داد با توجه به تعداد محدود درختان به‌واسطه گیرش گیاهی مقادیر تولید رواناب تا حداکثر 10 درصد کاهش دهند که در مطالعات گذشته این اثر پوشش جنگلی بین 40 درصد جنگل‌های متراکم تا جنگل‌های تنک متغیر بوده است. همچنین نتایج نشان داد که هر دو عامل نوع لاش‌برگ (بقایای گونه‌های مرتعی یا درختی) و میزان یا درصد پوشش لاش‌برگ در کنترل ایجاد رواناب تأثیرگذار هستند. درمورد تأثیر الگوی شخم، نتایج نشان می‌دهد که شخم و کشت نواری در جهت عمود به جهت شیب، منجر به کاهش سرعت رواناب، نفوذ بیشتر رواناب، حفظ رطوبت بیشتر در خاک، شرایط بهتر رشد و نمو پوشش گیاهی می‌شود. درنهایت این موارد منجر به کاهش فاحش تولید رواناب خواهد شد که مقایسه رواناب اندازه‌گیری شده در این دو پلات در وقایع متعدد بارش بیانگر این مطلب بوده است و پلات دارای شخم و کشت عمود در جهت شیب پس از استقرار کامل پوشش گیاهی می‌تواند تا 50 درصد در کاهش تولید رواناب مؤثرتر باشد. نتایج روش آزمون-خطا در مدل شبکه‌های عصبی حاکی از آن است که مقادیر بارش، نوع پوشش گیاهی، درصد تاج پوشش گیاهی ورودی‌های بهینه جهت شبیه‌سازی مقادیر رواناب می‌باشند. همچنین نتایج نشان داد که تابع انتقال تانژانت هیپربولیک و فن یادگیری LM بهترین گزینه‌ها برای ساختار بهینه شبکه‌ها می‌باشند. آموزش شبکه‌های عصبی در دو مرحله نشان داد مدل به‌کاررفته دارای کارایی بالایی در برآورد مقادیر رواناب می‌باشند. براساس نتایج اعتبارسنجی، شبکه MLP به‌عنوان یک شبکه کارآمد جهت شبیه‌سازی مقادیر رواناب یا فرآیند بارش- رواناب است. همچنین، مقایسه بین مقادیر شبیه‌سازی‌شده و مقادیر مشاهداتی رواناب در مرحله آزمودن نشان داد که تطابق خوبی بین مقادیر شبیه‌سازی‌شده و مقادیر مشاهداتی است. مقادیر 0/97, R2=0/004MSE= و 0/91, R2 = 4/2=MSE به ترتیب در مرحله آموزش و مرحله آزمودن مدل به دست آمد و درنهایت مدلی با کارایی بالا برای شبیه سازی فرآیند بارش- رواناب ارائه شد. نتیجه فرآیند مدل‌سازی نشان داد که پوشش مرتعی دارای بالاترین کارایی در کنترل میزان رواناب است.
نتیجه‌گیری: خصوصیات پوشش گیاهی نظیر نوع پوشش گیاهی و تراکم آن مهم‌ترین عامل کنترل‌کننده ایجاد رواناب در اراضی شیب‌دار است. علاوه بر این، نحوه مدیریت زمین، الگوی کشت و نحوه شخم زمین نیز از دیگر عوامل مهم هستند؛ بنابراین، می‌توان براساس خصوصیات خاک، شیب زمین و رطوبت پیشین خاک، مقادیر تلفات کل و هدر رفت اولیه را برآورد نمود و الگوی های کشت یا نوع پوشش گیاهی مناسب را برای کنترل یا کاشت رواناب انتخاب و عملکرد آن‌ها را طی فرآیند بارش-رواناب مدل‌سازی کرد. همچنین یک مدل آزمایش شده مبتنی بر شبکه عصبی می‌تواند ابزاری برای برآورد مقادیر رواناب در مقیاس ماهانه و سالانه براساس داده‌های بارش ایستگاه‌های هواشناسی باشد. از مدل مذکور می‌توان برای شبیه سازی اثر سناریوهای مختلف پوشش گیاهی در تولید رواناب و یا برآورد رواناب براساس بارش ایستگاه های هواشناسی استفاده نمود.
فهرست منابع
1. Abrahart, R.J., See, L.M. (2000). Comparing neural network and autoregressive moving average techniques for the provision of continuous river flow forecast in two contrasting catchments. Hydrological Process, 14: 2157-2172.
https://doi.org/10.1002/1099-1085(20000815/30)14:11/12<2157::AID-HYP57>3.0.CO;2-S [DOI:10.1002/1099-1085(20000815/30)14:11/123.0.CO;2-S]
2. Adamowski, J. (2013). Using support vector regression to predict direct runoff, base flow and total flow in a mountainous watershed with limited data in Uttaranchal, India. Versita, 45, 71-83. [DOI:10.2478/sggw-2013-0007]
3. Anctil, F., Rat, A. (2005). Evaluation of neural networks streamflow forecasting on 47 watersheds. J. Hydrol. Eng., ASCE 10 (1): 85-88. http://dx.doi.org/10.1061/(ASCE)1084-0699(2005)10:1(85). [DOI:10.1061/(ASCE)1084-0699(2005)10:1(85)]
4. ASCE Task Committee. (2000). Artificial neural networks in hydrology, II: Hydrology application. Journal of Hydrologic Engineering, 5: 124-137. [DOI:10.1061/(ASCE)1084-0699(2000)5:2(124)]
5. Braddock, R. D., Kremmer, M.L., Sanzogni, L. (1998). Feedforward artificial neural network model for forecasting rainfall-runoff. Environmental Sciences, 9: 419-432.
https://doi.org/10.1002/(SICI)1099-095X(199807/08)9:4<419::AID-ENV312>3.3.CO;2-4 [DOI:10.1002/(SICI)1099-095X(199807/08)9:43.3.CO;2-4]
6. Buendia, C., Batalla, R.J., Sabater, S., Palau, A., Marcé, R. (2016). Runoff trends driven by climate and afforestation in a Pyrenean Basin. Land Degrad, Dev. 27(3), 823-838.
https://doi.org/10.1002/ldr.2384 [DOI:10.1002/ldr.2384.]
7. Garosi, Y., Sheklabadi, M., Conoscenti, C., Pourghasemi, H.R., Van Oost, K. (2019). Assessing the performance of GIS-based machine learning models with different accuracy measures for determining susceptibility to gully erosion. Sci. Total Environ, 664, 1117-1132.
https://doi.org/10.1016/j.scitotenv.2019.02.093 [DOI:10.1016/j.scitotenv.2019.02.093.]
8. Gao, J., Bai, Y., Cui, H., Zhang, Y. (2020). The effect of different crops and slopes on runoff and soil erosion. Water Pract. Technol, 15 (3), 773-780.
https://doi.org/10.2166/wpt.2020.061 [DOI:10.2166/wpt.2020.061.]
9. Ghahramani, F., Ishikawa, Y., Gomi, T. (2011). Slope length effect on sediment and organic litter transport on a steep forested hillslope: upscaling from plot to hillslope scale. Hydrol. Rese. Lett, 5, 16-20. doi:10.3178/hrl.5.16. [DOI:10.3178/hrl.5.16]
10. Gholami, V., Booij, M.J., Tehrani, E.N., Hadian, M.A. (2018). Spatial soil erosion estimation using an artificial neural network (ANN) and field plot data. Catena, 163, 210-218. [DOI:10.1016/j.catena.2017.12.027]
11. Gholami, V., Khaleghi, M.R. (2020). A simulation of the rainfall-runoff process using artificial neural network and HEC-HMS model in forest lands. Journal of Forest Science, 67: 165-174.
https://doi.org/10.17221/90/2020-JFS [DOI:10.17221/90/2020-JFS.]
12. Harris, M.T., Boardman, J. (1990). A rule-based Expert System Approach to Predicting Waterborne Soil Erosion. p. 401-412. In J. Boardman, D.L. Foster and J.A. Dearing (Editors). Soil Erosion on Agricultural Land, John Wiley & Sons Ltd.
13. Heidari Chenari F., Fazloula, R., Nikzad Tehrani, E. (2022). Calibration and Evaluation of HEC-HMS Hydrological Model Parameters in Simulation of Single Rainfall-Runoff Events (Case Study: Tajan Watershed). jwmr, 13(26), 69-81. doi:10.52547/jwmr.13.26.69. [DOI:10.52547/jwmr.13.26.69]
14. Hsu, K.L., Gupta, H.V., Sorooshian, S. (1995). Artificial neural network modeling of the rainfall-runoff process. Water Resources Research, 31(10): 2517-2530. [DOI:10.1029/95WR01955]
15. Hu, T., Wu, F., Zhang, X. (2007). Rainfall-runoff modeling using principal component analysis and neural network. Nordic Hydrology, 38(3): 235-248. [DOI:10.2166/nh.2007.010]
16. Isik, S., Kalin, L., Schoonover, J., Srivastava, P., Lockaby, B.G. (2013). Modeling effects of changing land use/cover on daily streamflow: an artificial neural network and curve number based hybrid approach. J. Hydrol., 485, 103-112. [DOI:10.1016/j.jhydrol.2012.08.032]
17. Kashani, M.H., Ghorbani, M.A., Shahabi, M., Naganna, S.R., Diop, L. (2020). Multiple AI model integration strategy-application to saturated hydraulic conductivity prediction from easily available soil properties. Soil Tillage Res., 196, 104449
https://doi.org/10.1016/j.still.2019.104449 [DOI:10.1016/j.still.2019.104449.]
18. Khan, S.M., Coulibaly P., and Dibike, Y. (2006). Uncertainty analysis of statistical downscaling methods. J. hydrol., 319: 357- 382. [DOI:10.1016/j.jhydrol.2005.06.035]
19. Kisi, O. (2008). River flow forecasting and estimation using different artificial neural network technique. Hydrology Resource, 39(1): 27-40. [DOI:10.2166/nh.2008.026]
20. Laufer, D., Loiblb, B., Märländer, B., Koch, H.J. (2016). Soil erosion and surface runoff under strip tillage for sugar beet (Beta vulgaris L.) in Central Europe. Soil Tillage Res., 162, 1-7.
https://doi.org/10.1016/j.still.2016.04.007 [DOI:10.1016/j.still.2016.04.007.]
21. Liu, H.Q., Yang, J.H., Liu, C.X., Diao, Y.F., Ma, D.P., Li, F.H., Rahma, A.E., Lei, T.W. (2020). Flow velocity on cultivated soil slope with wheat straw incorporation. J. hydrol., 584, 124667.
https://doi.org/10.1016/j.jhydrol.2020.124667 [DOI:10.1016/j.jhydrol.2020.124667.]
22. Lippman, R.P. (1987). An Introduction to computing with Neural Networks. IEEE ASSP Magazine, 4-22. [DOI:10.1109/MASSP.1987.1165576]
23. Loh, W., Tim, L. (2000). A comparison of prediction accuracy, complexity, and training time of thirty three old and new classification algorithm. Mach. Learn, 40 (3): 203-238.
24. Luo, J., Zheng, Z., Li, T., He, S. (2020). Temporal variations in runoff and sediment yield associated with soil surface roughness under different rainfall patterns. Geomorphology, 349.
https://doi.org/10.1016/j.geomorph.2019.106915 [DOI:10.1016/j.geomorph.2019.106915 p.106915.]
25. Minns, A.W., Hall. M.J. (1996). Artificial neural network as rainfall-runoff model. Hydrological Science Journal, 41(3): 399-417. [DOI:10.1080/02626669609491511]
26. Muñoz-Robles, C. (2010). Runoff and erosion in woody encroachment, pasture and woodland vegetation in semi-arid New South Wales, Australia. PhD thesis, School of Environmental and Rural Science, University of New England. Armidale, NSW, 208 pp.
27. Nawar, S., Mouazen, A.M. (2019). On-line vis-NIR spectroscopy prediction of soil organic carbon using machine learning. Soil Tillage Res., 190, 120-127. https://doi.org/ 10.1016/j.still.2019.03.006.
https://doi.org/10.1016/j.still.2019.03.006 [DOI:10.1016/j.still.2019.03.006.]
28. Prasad, R., Deo, R.C., Li, Y., Maraseni, T. (2018). Ensemble committee-based data intelligent approach for generating soil moisture forecasts with multivariate hydro-meteorological predictors. Soil Tillage Res., 181, 63-81.
https://doi.org/10.1016/j.still.2018.03.021 [DOI:10.1016/j. still.2018.03.021.]
29. Rafiei Sardoii, E., Rostami, N., Khalighi Sigaroudi, S., Taheri, S. (2012). Calibration of loss estimation methods in HEC-HMS for simulation of surface runoff (Case Study: Amirkabir Dam Watershed, Iran). Adv. Environ. Biol., 6(1), 343-348.
30. Sahour, H., Gholami, V., Vazifedan, M. (2020). A comparative analysis of statistical and machine learning techniques for mapping the spatial distribution of groundwater salinity in a coastal aquifer. J. Hydrol., 591 p.125321. [DOI:10.1016/j.jhydrol.2020.125321]
31. Wang, W.C., Chau, K.W., Cheng, C.T. Qui, L. (2009). A comparison of performance of several Artificial intelligence methods for forecasting monthly discharge time series. Journal of Hydrology, 374: 294-306. [DOI:10.1016/j.jhydrol.2009.06.019]
32. Wolka, K., Mulder, J., Biazin, B. (2018). Effects of soil and water conservation techniques on crop yield, runoff and soil loss in Sub-Saharan Africa: A review. Agric. Water Manage, 207, 67-79.
https://doi.org/10.1016/j.agwat.2018.05.016 [DOI:10.1016/j.agwat.2018.05.016.]
33. Zhao, Y., Meng, X., Qi, T., Qing, F., Xiong, M., Li, Y., Guo, P. Chen, G., (2020). AI-based identification of low-frequency debris flow catchments in the Bailong River basin, China. Geomorphology,
https://doi.org/10.1016/j.geomorph.2020.107125 [DOI:10.1016/j.geomorph.2020.107125 p.107125.]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
