دوره 7، شماره 14 - ( پاییز و زمستان 1395 )                   جلد 7 شماره 14 صفحات 95-88 | برگشت به فهرست نسخه ها


XML English Abstract Print


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

The Effectiveness of Intelligent Models in Estimating the River Suspended Sediments (Case Study: Babaaman Basin, Northern Khorasan). jwmr. 2017; 7 (14) :95-88
URL: http://jwmr.sanru.ac.ir/article-1-760-fa.html
عشقی پریسا، فرزاد مهر جلیل، دستورانی محمد تقی، عرب اسدی زینب. بررسی کارایی مدل‏های هوشمند در برآورد رسوبات معلق رودخانه‏ای (مطالعه موردی: حوزه‏ آبخیز باباامان، خراسان شمالی). پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1395; 7 (14) :95-88

URL: http://jwmr.sanru.ac.ir/article-1-760-fa.html


استادیار
چکیده:   (1209 مشاهده)

برآورد دقیق مقدار رسوبات حمل شده توسط رودخانه‏ها در پروژه‏های آبی، از اهمیت بسیاری برخوردار است و لذا شناسایی و پیشنهاد روش­های مناسب جهت برآورد دبی رسوبات معلق از اهداف مهمی تلقی می­شود که بایستی بر اساس تحقیقات مرتبط به انجام برسد. از جمله‏ این روش‏ها می‏توان به روش‏های یادگیری ماشین از جمله مدل درختان تصمیم‏گیری، ماشین بردار پشتیبان و شبکه عصبی مصنوعی اشاره کرد. در این پژوهش، کارایی این تکنیک‏ها در پیش‏بینی میزان دبی رسوبات معلق حوزه آبخیز باباامان بجنورد مورد بررسی قرار گرفت. داده­های ورودی برای پیش‏بینی رسوبات معلق حوزه باباامان در این پژوهش عبارتند از: دبی‏جریان، دبی رسوب معلق، بارش و تبخیر، که مربوط به دوره‏ آماری از سال 1349 تا سال 1380 است. جهت ارزیابی دقت و صحت نتایج این مدل‏ها، معیار‏های آماری MAE، RMSE، R  استفاده شدند. در نهایت نتایج معیار­های آماری R و RMSE به ترتیب برای مدل منحنی سنجه 80/0 و 77/55863، مدل شبکه عصبی 98/0 و 28/1، مدل درخت تصمیم 96/0 و 56/48881 و مدل ماشین بردار پشتیبان 99/0 و 6998/0 است. مقادیر به دست آمده نشان داد که ماشین بردار پشتیبان در مقایسه با روش‏های نامبرده، تطابق بسیار بیش­تری با مقادیر اندازه‏گیری شده داشته است.

متن کامل [PDF 540 kb]   (567 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: ۱۳۹۵/۱۱/۵ | پذیرش: ۱۳۹۵/۱۱/۵ | انتشار: ۱۳۹۵/۱۱/۵

فهرست منابع
1. Akbari, Z. and A. Talebi. 2010. Estimation of Suspended Sediment Using Regression Decision Trees Method (Case Study Ilam Dam Basin Science and Technology of Agriculture and Natural Resources Journal, 17: 109-121 (In Persian).
2. Bhattacharya, B., R.K. Price and D.P. Solomatine. 2007. Machine Learning Approach to Modeling Sediment Transport. Journal of Hydraulic Engineering. 133: 440-450. [DOI:10.1061/(ASCE)0733-9429(2007)133:4(440)]
3. Bauer, P., S. Noatak and R.Winkler. 2007. Fuzzy Mathematical Methods for Soil Survey and Land Evaluation. Journal of Soil science, 40: 477-492.
4. Dastorani, M., Kh. Azimi Fashi, A. Talebi and M. Ekhtesasi. 2012. Suspended Sediment Estimation Using Artificial Neural Network (Case Study: Jamyshan watershed in Kermanshah). Journal of Watershed Management, 3: 61-74 (In Persian).
5. Dehghani, N. and M. Vafakhah. 2013. Comparison of Daily Suspended Sediment Load Estimations by Sediment Rating Curve and Neural Network Models (Case Study: Ghazaghli Station in Golestan Province). Journal of Water and Soil Conservation, 20: 221-230 (In Persian).
6. Falamaki, A., M. Eskandari, A. Baghlani and A. Ahmadi. 2013. Modeling Total Sediment Load in Rivers Using Artificial Neural Networks. Journal of Water and Soil Conservation, 2: 13-26 (In Persian).
7. Kakaei Lafdani, E., A. Pournemat, Roudsari, K. Qaderi and A. Moghaddam Nia. 2013. Predicting the Volume of Suspended Sediments using GMDH and SVM Models Based on Principal Component Analysis. 9th International River Engineering Conference Shahid Chamran University, Ahwaz, pp: 22-24 (In Persian).
8. Heng, S. and T. Suetsugi. 2013. Using Artificial Neural Network to Estimate Sediment Load in Ungauged Catchments of the Tonle Sap River Basin, Cambodia, Journal of Water Resource and Protection, 5: 111-123. [DOI:10.4236/jwarp.2013.52013]
9. Senthil Kumar, A.R., C.S. Ojha, P. Manish Kumar Goyal, R.D. Singh and P.K. Swamee. 2012. Modeling of Suspended Sediment Concentration at Kasol in India Using ANN, Fuzzy Logic and Decision Tree Algorithms. American Society of Civil Engineers, 17: 394-404.
10. Shabani, M. and N. Shabani. 2012. Estimation of Daily Suspended Sediment Yield Using Artificial Neural Network and Sediment Rating Curve in Kharestan Watershed, Iran, Australian Journal of Basic and Applied Sciences, 6: 157-164 (In Persian).
11. Toloei, S., D. Hossenzadeh, M. Ghorbani, A. Fakhrefard and F. salmasi. 2011. Estimate Temporal and Spatial Suspended load river AJICHAI with Use from Geostatistics and Artificial neural Network. Issue Science Water and Soil, 21: 12-25 (In Persian).
12. Tabatabaei, M., K. Solaimani, M. Habibnejad Roshan and A. Kavian. 2014. 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). Journal of Watershed Management, 5: 98-116 (In Persian).
13. Yosefi, M. and R. Poorshariaty. 2014. Suspended Sediment Estimation Using Neural Network and Algorithms Assessment (Case Study: Lorestan Province), Watershed Management Journal, 5: 85-67. (In Persian).
14. Yosefi, M., A. Talebi and R. Poorshariaty. 2014. Application of Artificial Intelligence in Water and Soil Sciences. Yazd University publication, Yazd, Iran, 516 pp (In Persian).
15. Zhu, Y.M., X.X. Lu and Y. Zhou. 2007. Suspended Sediment Flux Modeling with Artificial Neural Network: An Example of the Longchunajianj River in the Upper Yangtze Catchment. Geomorphology, 84: 111-125. [DOI:10.1016/j.geomorph.2006.07.010]

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

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

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2018 All Rights Reserved | Journal of Watershed Management Research

Designed & Developed by : Yektaweb