دوره 7، شماره 14 - ( پاییز و زمستان 1395 )                   جلد 7 شماره 14 صفحات 118-106 | برگشت به فهرست نسخه ها


XML English Abstract Print


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

Regionalization of Watersheds Using a Type of ANNs to Regional Flood Frequency Analysis. jwmr. 2017; 7 (14) :118-106
URL: http://jwmr.sanru.ac.ir/article-1-762-fa.html
آهنی علی، امامقلی زاده صمد، موسوی ندوشنی سیدسعید، اژدری خلیل. منطقه بندی حوزه های آبخیز با به کارگیری نوعی از شبکه های عصبی مصنوعی به منظور تحلیل فراوانی منطقه ای سیلاب. پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1395; 7 (14) :118-106

URL: http://jwmr.sanru.ac.ir/article-1-762-fa.html


دانشجوی کارشناسی ارشد
چکیده:   (867 مشاهده)

نگاشت­های خود­سازمانده یکی از انواع شبکه­های عصبی مصنوعی هستند که قابلیت آن­ها در تشخیص الگو و خوشه­بندی داده­ها، آن­ها را به ابزاری قابل توجه در زمینه­ی منطقه­بندی حوزه­های آبخیز به منظور اجرای تحلیل فراوانی منطقه­ای سیلاب تبدیل کرده است. در این مطالعه، توانایی نگاشت­های خودسازمانده در منطقه­بندی حوزه­ی آبخیز سفیدرود به منظور اجرای تحلیل فراوانی منطقه­ای سیلاب با استفاده از الگوریتم گشتاور­های خطی مورد بررسی قرار گرفته است. نتایج به دست آمده بیانگر آن است که نگاشت­های خود­سازمانده می­توانند به عنوان روشی قابل قبول در زمینه­ی خوشه­بندی داده­ها و منطقه­بندی حوزه­های آبخیز به­کار گرفته شوند. بررسی مقادیر شاخص­های صحت خوشه نشان داد که این شاخص­ها به­تنهایی نمی­توانندتعیین­کننده­ی منطقه­بندی مطلوب برای تحلیل فراوانی منطقه­ای باشند، بلکه این وضعیت همگنی مناطق است که عامل اساسی در تعیین منطقه­بندی مطلوب است. بر اساس وضعیت همگنی مناطق و بزرگی مناطق تشکیل شده، حالت­های دو منطقه­ای حاصل از به­کارگیری الگوریتم­های وارد و نگاشت­های خودسازمانده به عنوان حالت­های بهینه به منظور اجرای تحلیل فراوانی منطقه­ای سیلاب برای حوزه­ی آبخیز سفیدرود، انتخاب شدند. افزون بر این،  نتایج حاصل از برآورد سیلاب در تحلیل نقطه­ای و دو تحلیل منطقه­ای گویای آن بود که برآوردهای حاصل از دو تحلیل منطقه­ای بسیار به هم نزدیک بوده و اختلاف نسبی آن­ها به­طور میانگین در حدود 1% است. هم­چنین، اختلاف نسبی آن­ها با برآوردهای حاصل از تحلیل نقطه­ای نیز در هیچ­یک از ایستگاه­ها از 17% تجاوز نمی­کند و مقدار میانگین آن تقریباً برابر 8% است.

متن کامل [PDF 1066 kb]   (342 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: ۱۳۹۵/۱۱/۵ | پذیرش: ۱۳۹۵/۱۱/۵ | انتشار: ۱۳۹۵/۱۱/۵

فهرست منابع
1. Ahani, A., S. Emamgholizadeh, S.S. Mousavi Nadoushani and K. Azhdari. 2015. Regional Flood Frequency Analysis by Hybrid Cluster Analysis and L-moments. Journal of Watershed Management Research, 6: 11-20.
2. Di Prinzio, M., A. Castellarin and E. Toth. 2011. Data-Driven Catchment Classification: Application to the Pub Problem. Hydrology and Earth System Sciences, 15: 1921-1935.
3. Hall, M.J. and A.W. Minns. 1998. Regional Flood Frequency Analysis Using Artificial Neural Network. In: Babovic, V. and L.C. Larsen (eds.), Proceedings of the Third International Conference on Hydro informatics (Copenhagen, Denmark), 2: 759-763.
4. Hall, M.J. and A.W. Minns. 1999. The Classification of Hydrologically Homogeneous Regions. Hydrological Sciences Journal, 44: 693-704.
5. Hall, M.J., A.W. Minns and A.K.M. Ashrafuzzaman. 2002. The Application of Data Mining Techniques for the Regionalization of Hydrological Variables. Hydrology and Earth System Sciences. 6: 685-694.
6. Haykin, S. 2009. Neural Networks: A Comprehensive Foundation. Pearson Education, Inc. 906 pp.
7. Hosking, J.R.M. and J.R. Wallis. 1997. Regional Frequency Analysis: An Approach Based on L-Moments. Cambridge University Press, New York, USA. 224 pp.
8. Jingyi, Z. and M.J. Hall. 2004. Regional Flood Frequency Analysis for the Gan-Ming River Basin in China. Journal of Hydrology, 296: 98-117.
9. Kar, A.K., N.K. Goel, A.K. Lohani and G.P. Roy. 2012. Application of Clustering Techniques Using Prioritized Variables in Regional Flood Frequency Analysis - Case Study of Mahanadi Basin. Journal of Hydrologic Engineering- ASCE, 17: 213-223.
10. Kohonen, T. 1982. Self-Organized Formation of Topologically Correct Feature Maps. Biological Cybernetics, 43: 59-69.
11. Kohonen, T. 2001. Self-Organizing Maps. 3rd Extended Edn. Springer Verlag, Berlin, GERMANY, 501 pp.
12. Ley, R., M.C. Casper, H. Hellebrand and R. Merz. 2011. Catchment Classification by Runoff Behavior with Self-Organizing Maps (SOM). Hydrology and Earth System Sciences 15: 2947-2962.
13. Lin, G.F. and L.H. Chen. 2006. Identification of Homogeneous Regions for Regional Frequency Analysis Using the Self-Organizing Map. Journal of Hydrology, 324: 1-9.
14. Rao, A.R. and V.V. Srinivas. 2008. Regionalization of Watersheds-An Approach Based on Cluster Analysis, Series: Water Science and Technology Library, 248 pp.
15. Razavi, T. and P. Coulibaly. 2014. Classification of Ontario Watersheds Based on Physical Attributes and Streamflow Series. Journal of Hydrology, 493: 81-94.
16. Rousseeuw, P.J. 1987. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20: 53-65.
17. Srinivas, V.V., S. Tripathi, A.R. Rao and R.S. Govindaraju. 2008. Regional Flood Frequency Analysis by Combining Self-Organizing Feature Map and Fuzzy Clustering. Journal of Hydrology, 348: 148-166.
18. Tabatabaei, M., K. Solaimani, M. Habibnejad Roshan and A. Kavian. 2014. Estimation of Daily Suspended Sediment Concentration using Estimation of Daily Suspended Sediment Concentration by Self-Organizing Map (Case Study: Sierra Hydrometry Station- Karaj Dam Watershed). Journal of Watershed Management Research, 5: 98-116.
19. Toth, E. 2013. Catchment Classification Based on Characterisation of Streamflow and Precipitation Time Series. Hydrology and Earth System Sciences, 17: 1149-1159.
20. Willshaw, D.J. and C. Von Der Malsburg. 1976. How Patterned Neural Connections Can be Set up by Self Organization. Proceedings of Royal Statistical Society London B, 194: 431-445.

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