دوره 5، شماره 10 - ( پاییز و زمستان 1393 )                   جلد 5 شماره 10 صفحات 116-98 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

(2015). Estimation of Daily Suspended Sediment Concentration Using Artificial Neural Networks and Data Clustering by Self-Organizing Map (Case Study: Sierra Hydrometry Station- Karaj Dam Watershed) . jwmr. 5(10), 98-116.
URL: http://jwmr.sanru.ac.ir/article-1-416-fa.html
طباطبایی محمودرضا، سلیمانی کریم، حبیب نژاد روشن محمود، کاویان عطااله. برآورد غلظت رسوب معلق روزانه با استفاده از شبکه عصبی مصنوعی و خوشه‌بندی داده‌ها به روش نگاشت خود سازمان‌ده (مطالعه موردی: ایستگاه هیدرومتری سیرا - رودخانه کرج) پ‍‍ژوهشنامه مديريت حوزه آبخيز 1393; 5 (10) :116-98

URL: http://jwmr.sanru.ac.ir/article-1-416-fa.html


دانشگاه علوم کشاورزی و منابع طبیعی ساری
چکیده:   (4760 مشاهده)

  امروزه برآورد دقیق بار رسوب معلق رودخانه‌ای از جنبه‌های مختلف مهندسی منابع آب، مسائل
زیست­محیطی و کیفیت آب از اهمیت ویژه‌ای برخوردار است. در این راستا، مدل‌های هیدرولوژیکی حوزه، به­دلیل عوامل متعدد تاثیرگذار ثابت و متغیر، کارایی مناسبی در برآورد میزان رسوب معلق از خود نشان نداده‌اند. همچنین اغلب مطالعات شبیه‌سازی برآورد رسوب معلق، تنها بر مبنای دبی جریان خروجی حوزه استوار است که نتایج حاصله نیز، گواه بر عدم کارآیی مطلوب آنها است. این در حالی است که عوامل تاثیرگذاری همچون نوع بارش، فصل سال و شکل هیدروگراف جریان که نقش عمده‌ای در این فرآیند ایفا می‌نمایند در شبیه‌سازی برآورد میزان رسوب معلق نادیده گرفته شده‌اند. در پژوهش حاضر، از روش شبکه عصبی پرسپترون چند لایه و داده‌های آب و هواشناسی (دبی و غلظت رسوب معلق روزانه جریان، متوسط بارش و دمای روزانه) حوزه آبخیز سد کرج در یک دوره زمانی 30 ساله (1360 تا 1390) به­منظور برآورد غلظت رسوب معلق روزانه ایستگاه هیدرومتری سیرا استفاده شده است. در این روش، با توجه به نقش تغییرات فصلی و وضعیت جریان در تولید و انتقال رسوب حوزه، ابتدا بر اساس سه متغیر رژیم بارش، وضعیت هیدروگراف جریان و نوع رواناب حاصل از بارش، داده‌های مورد استفاده به 5 گروه تفکیک و سپس برای هر گروه، مدل جداگانه‌ای طراحی گردید. همچنین به‌منظور افزایش قدرت تعمیم‌دهی مدل‌ها، از شبکه عصبی نگاشت خود سازمان‌ده (
SOM ) جهت خوشه‌بندی و از شاخص سیلهوت، در تعیین تعداد بهینه خوشه‌ها استفاده شد. نتایج پژوهش نشان داد که استفاده از متغیرهای بارش و دمای روزانه، به‌همراه دبی جریان و تفکیک زمانی داده‌ها، نقش مهمی در افزایش دقت برآورد رسوب رودخانه داشته است. در این رابطه، بیشترین خطای محاسبه شده در بین مدل‌ها زمانی است که برای تمامی فصول سال، تنها از یک مدل واحد، جهت برازش به داده‌ها استفاده می‌گردد. نتایج این پژوهش می‌تواند به­عنوان الگوئی مناسب در برآورد رسوب معلق سایر رودخانه‌های کشور مورد استفاده قرار گیرد.

متن کامل [PDF 1279 kb]   (1994 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1393/10/13 | ویرایش نهایی: 1398/6/3 | پذیرش: 1393/10/13 | انتشار: 1393/10/13

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Watershed Management Research

Designed & Developed by : Yektaweb