دوره 8، شماره 16 - ( پاییز و زمستان 1396 )                   جلد 8 شماره 16 صفحات 44-52 | برگشت به فهرست نسخه ها

XML English Abstract Print


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

Study of Correlations between Climatic Parameters and Flood of the Maroon River Basin and flood Prediction by Smart Neural Network. jwmr. 2018; 8 (16) :44-52
URL: http://jwmr.sanru.ac.ir/article-1-902-fa.html
فتوحی صمد، جوجی زاده خدیجه، نصیری مریم، اورک ناصر. بررسی همبستگی میان پارامترهای اقلیمی و سیلاب حوزه رودخانه مارون و پیش‌بینی سیلاب به کمک شبکه هوشمند عصبی. پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1396; 8 (16) :44-52

URL: http://jwmr.sanru.ac.ir/article-1-902-fa.html


چکیده:   (595 مشاهده)
سیل از جمله بلایای طبیعی مهمی است که هر ساله باعث ایجاد خسارت‌های مالی و جانی شدیدی به جوامع بشری می‌شود. به ویژه در مناطقی همچون حوزه رودخانه مارون که دارای تغییرات زیاد دما و بارش است، همه ساله شاهد سیلاب های شدید و فراوانی هستیم. پژوهش حاضر با هدف شناخت پارامترهای اقلیمی مؤثر بر سیلاب منطقه، می‌تواند با کارآمدی شبکه عصبی مصنوعی، روش‌های مناسب‌تری را در پیش‌بینی این رخداد به­کار ببندد. روش به­کار رفته در این پژوهش جهت پیش­بینی این فرایند، شبکه ­های عصبی پرسپترون چند لایه و توابع پایه شعاعی می‌باشد که نتایج این دو شبکه عصبی با رگرسیون چندگانه مقایسه گردیده است. بدین منظور داده‌های روزانه اقلیمی چهار ایستگاه ایدنک، دوگنبدان، دهدشت و یاسوج شامل میانگین دمای خشک، بیشینه دما، کمینه دما، تبخیر، بارش، میانگین رطوبت، کمینه رطوبت، بیشینه رطوبت و ... طی یک دوره 16ساله (اول مهر 1373 تا آخر شهریور 1388) به‌کار گرفته شد. با بررسی همبستگی بین این پارامترهای اقلیمی و دبی رودخانه مارون پارامترهای مؤثر بر سیلاب تعیین گردید. از رگرسیون چندگانه جهت تعیین ورودی‌های مؤثر بر سیلاب و مقایسه نتایج با شبکه عصبی استفاده گردیده است. بررسی نتایج نشان می‌داد که شبکه عصبی پرسپترون چندلایه با الگوریتم آموزش پس انتشار خطا دارای همبستگی 73/0 در مرحله آموزش و 68/0 در مرحله آزمایش و میزان نرمال شده ریشه میانگین مربعات خطا (NRMSE) در مرحله آموزش 57/0 و در مرحله آزمایش 66/0 به­عنوان بهترین مدل جهت پیش­بینی سیلاب شناخته شد. مقایسه نتایج شبکه عصبی و رگرسیون نشان می‌داد که شبکه عصبی دارای میزان همبستگی بالاتری نسبت به رگرسیون می‌باشد و همچنین در شبکه عصبی داده‌های واقعی و داده‌های پیش‌بینی شده دارای انطباق بیشتری نسبت به مدل رگرسیون انجام شده می‌باشد. 
متن کامل [PDF 1355 kb]   (197 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: ۱۳۹۶/۱۱/۹ | پذیرش: ۱۳۹۶/۱۱/۹ | انتشار: ۱۳۹۶/۱۱/۹

فهرست منابع
1. 1. Alizadeh, A.1381. Principles of applied hydrology. 14th Ed, publication of AstanQuds Razavi, Mashhad, Iran,540pp (In Persian).
2. Barzegari,F., M. Dastori.2015.Supspended sediment Prediction using Time series and Artifical Neural Networks Models (case study: Ghazaghly station in Gorganroud river).Journal of Watershed Management Research, 6(12): 216-225 (In Persian).
3. Cameron, M., D. Zealand. H. Burn and P. Slobodan Simonovic.1999. Short term streamflow forecasting using artificial neural networks. Journal of Hydrology: 214-229.
4. Charmahineh,A. ,R.Zounemat and M .kermani.2017.Evaluation of the Efficiency of support vector Regression, Multilayer perceptron Neural Network and Multivariate linear Regression on Groundwater leveal Prediction (case study:Shahrekord plain). Journal of Watershed management research, 8(15):1-12 (In Persian).
5. Dawsona, C.W., R.J. Abrahartb. A.Y. Shamseldinc and R.L. Wilbyd.2006. Flood estimation at ungauged sites using artificial neural networks.Journal of Hydrology, (319): 391-409. [DOI:10.1016/j.jhydrol.2005.07.032]
6. Gholizadeh, M.H. and M. darand.1388.Monthly precipitation forecasting using artificial neural networks to Tehran,Journal Natural Geography Studies, (71): 51-63 (In Persian).
7. Hasanpour kashani, M., M.A. GHorbani.Y. Dinpazhouh and S. SHahmorad.1394.Rainfall-Runoff simulation in the Navrood River basing using Truncated volterra Model and Artifical newral network. Jornl of watershed management research,6 (12):1-10 (In Persian).
8. Hung, N.Q., M. S. Babel. S. Weesakul and N. K. Tripathi.2008. An artificial neural network model for rainfall forecasting in Bangkok,Thailand,Journal Hydrology and Earth Sciences Discussion,(5):183-218.
9. Imrie, C.E., S. Durucan and A. Korre.2000. River flow prediction using artificial neural networks generalization beyond the calibration range, Journal of Hydrology, (233):138-153. [DOI:10.1016/S0022-1694(00)00228-6]
10. Information Base Meteorological Organization kohkiloyeh and Boyerahmad.1389. (In Persian).
11. Joojizade,kh .2013. Survery flood-producing risk in Maroon basin (sub basin of Idenak) , sistan& Baluchestan,Zahedan, Iran, pp:128 (In Persian).
12. kia,M. 1387. Neural networks in MATLAB,computer Qian Publications,Tehran,Iran, pp 231. (In Persian).
13. Kouchakzadeh, M., A. bahmani.1384.Evaluating the performance of artificial neural networks to reduce the required parameters for estimating reference evapotranspiration, Journal of Agricultural Science, 11(4): 2-14 (In Persian).
14. Mazaheri,M. 1385. The application of neural networks in the flood hydrograph routing of the rockfill dam and to determine the output hydrograph basin, hydraulic Engineering master's thesis, Faculty of Agriculture, Tarbiat Modarres University, Tehran, Iran,pp. 210 (In Persian).
15. Makkeasorn, A., N. B.Chang and X. Zho.2008.Short-term Stream Flow Forecasting with Global Climate Change Implications Comparative Study between Genetic Programming and Neural Network Models,Journal of Hydrology, 352(3-4) :210-228. [DOI:10.1016/j.jhydrol.2008.01.023]
16. Minhaj, M. B.1387. Principles of neural networks computational intelligence, Volume I, 5th Ed, Amir Kabir University ,Iran,580pp (In Persian).
17. Momeni, M., A. faal Qayyumi. 1389. Statistical analysis using SPSS,publisher Ketab no, 3th Ed, Tehran, Iran,280pp (In Persian).
18. Nor Irwan, A.N., H. Sorbi and A.H. Kassin.2002. Modeling using artificial neural network, International conference on Artificial Intelligence in Engineering &Technology,114-127pp,Malaysia.
19. Parida,B. P., D. B. Moalafhi and P. K. Kenabatho.2006.Forecasting runoff coefficients using ANN for water resources management: The case of Notwane catchment in Eastern Botswana, Physics and Chemistry of the Earth, 31:14-29.
20. Rezaei, A. 1380.Flood and drought modeling using artificial neural network (ANN), the first national conference to examine ways to deal with the water crisis,1-10PP,Zabol, Iran (In Persian).
21. Safavi, A. A. 1387. Pamphlets course of Electrical Engineering,University of Engineering, Shiraz,Iran,pp12 (In Persian).
22. Sedighi, F., M. Vafakhah and M.R. Javadi.2012. Application of Artificial Neural network for Snow melt – Runoff (casy study: Latyan Dam watershed). Journl of Watershed Management Research,6 (12).43-54.
23. (Anonymous) The Company Qods Mahab and Rom the console attached to the Department of Energy.1362. Geological report, the first phase of the project Maroon Dam,Volume III,Regional Water Organization of Khuzestan province (In Persian .(
24. Velayati, S., H.velayati and M. Mollazade. 1388. Principles of Hydrology written by Tim Davey, printing, Ferdowsi University Press,Mashhad, Iran, 510 pp (In Persian( .

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