دوره 10، شماره 20 - ( پاییز و زمستان 1398 )                   جلد 10 شماره 20 صفحات 262-267 | برگشت به فهرست نسخه ها


XML English Abstract Print


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

Karimpour F, Darzi-Naftchali A, nadi M. "Technical Report" Performance Comparison of IHACRES Model and Artificial Neural Network to Predict the Flow of Sivand River. jwmr. 2019; 10 (20) :262-267
URL: http://jwmr.sanru.ac.ir/article-1-824-fa.html
کریمپور فهیمه، درزی نفت چالی عبداله، نادی مهدی. "گزارش فنی" مقایسه کارایی مدل IHACRES و شبکه عصبی مصنوعی برای پیش بینی جریان رودخانه سیوند. پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1398; 10 (20) :262-267

URL: http://jwmr.sanru.ac.ir/article-1-824-fa.html


دانشگاه علوم کشاورزی و منابع طبیعی ساری، گروه مهندسی آب
چکیده:   (425 مشاهده)

    تعیین دقیق جریان رودخانه در آبخیزهای فاقد آمار از چالش­های مهم در هیدرولوژی می­ باشد. در این راستا، با توجه به تنوع مدل­های هیدرولوژیکی موجود، انتخاب مدل مناسب مستلزم ارزیابی عملکرد مدل­ها در شرایط هیدرولوژیکی هر منطقه است. هدف از این پژوهش مقایسه کارایی روش شبکه عصبی مصنوعی (ANN) و مدل یکپارچه IHACRES برای پیش­ بینی جریان رودخانه سیوند در حوضه طشک- بختگان واقع در استان فارس به ­عنوان یک منطقه گرم و خشک می ­باشد. از داده ­های سال­های 1361 تا 1374 برای واسنجی و 1375 تا 1391 برای صحت­ سنجی مدل استفاده شد. برای ارزیابی قابلیت شبکه­ های عصبی­ مصنوعی، از جعبه ابزار مربوط به شبکه عصبی نرم­افزار متلب استفاده شد. مقادیر جریان شبیه ­سازی شده بوسیله مدل IHACRES برای دبی سیلابی در دوره واسنجی بیشتر و در دوره صحت ­سنجی، کمتر از مقادیر مشاهداتی بود. مقادیر ضریب تبیین در فرایند واسنجی و صحت ­سنجی این مدل به­ترتیب 62/0 و 54/0 بود. کمترین و بیشترین مقدار ضریب تبیین شبکه عصبی دینامیک در دوره­ های واسنجی و صحت ­سنجی به ­ترتیب 88/0 و 94/0 بود در حالی­که برای شبکه­ های عصبی ­ایستا به­ترتیب 51/0 و 69/0 بود. براساس نتایج، شبکه­ های عصبی مصنوعی با دقت بیشتری نسبت به مدل IHACRES، جریان ماهانه رودخانه سیوند را پیش­ بینی کردند.
 

متن کامل [PDF 823 kb]   (118 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: ساير موضوعات وابسته به مديريت حوزه آبخيز
دریافت: 1396/4/31 | ویرایش نهایی: 1399/3/27 | پذیرش: 1398/3/19 | انتشار: 1398/10/24

فهرست منابع
1. Abdollahipoor, A., S. Moazami-Godarzi, M. Zakeri-Nayeri and H. Ghalkhani. 2015. Performance evaluation of three models of Artificial Neural Network, Multivariate Regression and IHACRES to estimate daily flow-case study: Zarrineh rud watershed. National Conference on Civil and Environmental Engineering, Islamic Azad University of Qazvin (In persian).
2. Anonymous. 2009. Reports of the studies on the water resource atlas of the Tasch-Bakhtegan Lake and Maharloo Lake basin. Fars Regional Water Company.
3. 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)]
4. Astatkie, T. and W.E. Watt. 1988. Multipleinput transfer function modeling of daily Streamflow series using non-linear inputs. Water Resources Research, 34(10): 2717-2725. [DOI:10.1029/98WR01473]
5. Avarideh, F. 1998. Application of hydroinformatics theory in sediment transport. MSc thesis, Amir Kabir University of Technology (In persian).
6. Beven, K.J. 2001. "Rainfall-runoff modelling: The Primer". John Wiley and Sons Press, Department of Geography Royal Holloway, University of London Egham, Surrey.
7. Carla Carcano E., P. Bartolini, M. Muselli and L. Piroddi. 2008."Jordan recurrent neural network versus IHACRES in modelling daily streamflows". Journal of Hydrology, 362: 291-307. [DOI:10.1016/j.jhydrol.2008.08.026]
8. Das, G. 2000. Hydrology and soil conservation Engineering, Asoke K. Ghosh, Prentic-Hall of India, 489 pp.
9. Dayhoff, J.E. 1990. Neural Network Principles. Prentice-Hall International. U.S.A. 197 pp.
10. Dousti, M., K. Shahedi, M. Habibnezhad roshan, M. Miryaghoubzadeh. 2014. Simulating daily flow using the IHACRES semi-conceptual model (case study: Tamar watershed). Journal of Soil and Water Conservation, 21(2): 277-292 (In persian).
11. Jahangir, A., M. Raeini and M. Ziatabar-Ahmadi. 2008. Simulation of rainfall -runoff processes with nural Network and comparison with the HEC-HMS model in the Kernel Representative watershed. Journal of Soil and Water (Science and Technology of Agriculture), 22(2): 72-84 (In persian).
12. .Kumar, P., T. Sundara, V. Praveen and M. Anjanaya Prasad. 2016. Artificial Neural Network Model for Rainfall-Runoff-A Case Study. [DOI:10.14257/ijhit.2016.9.3.24]
13. Littlewood L.G., R.T. Clarke, W. Collischonn and B.F.W. Croke. 2007. Predicting daily Streamflow using rainfall forecasts, a simple loss module and unit hydrographs: Two Brazilian catchments. Environmental Modelling and Software, 22: 1229-1239. [DOI:10.1016/j.envsoft.2006.07.004]
14. Littlewood, I.G. and A.J. Jakeman. 1994. A new method of rainfall runoff modeling and its application in catchments hydrology. In: Zannetti, P. (Ed.) Environmental Modelling, Computational Mechanics Publications, Southampton, UK, 2: 143-171.
15. Najafi, M.R. 2008. Hydrological Systems (Rainfall Modeling), Tehran University Publication, (In persian).
16. Post, D.A., J.A. Jones and G.E. Grant. 1998. An improved methodology for predicting the daily hydrologic response of ungauged catchments, Environmental Modeling and Software, 13: 395-403. [DOI:10.1016/S1364-8152(98)00044-9]
17. Sharifi, F., Sh. Saffarpoosh and S.A. Ayobzadeh. 2004. Evaluation of a computer model in simulation of hydrological processes of some watersheds of Iran. Research and construction, 63: 35-42 (In persian).
18. Tokar, A.S. and M. Markus. 2000. Precipitation-runoff modeling using artificial neural networks and conceptual models. Journal of Hydrologic Engineering, 5(2): 156-161. [DOI:10.1061/(ASCE)1084-0699(2000)5:2(156)]

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

ارسال پیام به نویسنده مسئول


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

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2020 All Rights Reserved | Journal of Watershed Management Research

Designed & Developed by : Yektaweb