journal of watershed management research
پژوهشنامه مديريت حوزه آبخيز
jwmr
Agriculture
http://jwmr.sanru.ac.ir
1
admin
2251-6174
2676-4636
10.61186/jwmr
fa
jalali
1396
11
1
gregorian
2018
2
1
8
16
online
1
fulltext
fa
بررسی همبستگی میان پارامترهای اقلیمی و سیلاب حوزه رودخانه مارون و پیشبینی سیلاب به کمک شبکه هوشمند عصبی
Study of Correlations between Climatic Parameters and Flood of the Maroon River Basin and flood Prediction by Smart Neural Network
تخصصي
Special
پژوهشي
Research
<strong><span dir="RTL"><span><span style="font-size: 10pt;">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.</span></span></span><span dir="RTL"><span><span style="font-size: 10pt;"> 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. </span></span></span><span dir="RTL"><span><span style="font-size: 10pt;">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 (</span></span></span><span style="font-family: times new roman,serif;"><span style="font-size: 8pt;">NRMSE</span></span><span dir="RTL"><span><span style="font-size: 10pt;">) 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. </span></span></span></strong>
Flood is a kind of natural disaster which causes financial damages and fatality for people. Every year, especially in areas like Maroon river basin which have changes in precipitation and temperatures, along with frequent and severe floods. This study aimed to identify the climatic parameters on flood area can be efficiently artificial neural network, better methods applied in anticipation of this event. The method used in this study to predict the process, multilayer perceptron neural network and radial basis that these two neural networks with multiple regression results were compared. Therefore, climatic daily data in 16 years cycle from four stations: Idnak, Dogonbadan, Dehdasht and yasouj (23 September 1994-22 September 2009) are used. By study of correlations between climatic parameters and discharge of Maroon river, effective parameters on flood are determined and multiple regression is used because of determination of effective entrance on flood and comparing the results with the neural network. Study of the results shows that multilayer Perceptron (MLP) along with training algorithm after flowing the error have 0.73 correlation in training process and in test process is 0.68 and also measure of NRMSE in training process is 0.57 and in test process is 0.66 that known as the best model for predicting storm water. Comparing the results of regression and neural network shows that neural network have a higher correlation than the regression, thus in neural network actual data and predicted data have more conformity than accomplished regression model.
پارامترهای اقلیمی, پرسپترون چند لایه, حوزه آبریز, رادیال بیس, رگرسیون چند متغیره
Climatic Parameters, Catchment Basin, Multilayer Perceptron (MLP), Multivariate
Regression, Radial Base
44
52
http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1-201&slc_lang=fa&sid=1
صمد
فتوحی
10031947532846005699
10031947532846005699
No
خدیجه
جوجی زاده
10031947532846005700
10031947532846005700
No
مریم
نصیری
10031947532846005701
10031947532846005701
Yes
ناصر
اورک
10031947532846005702
10031947532846005702
No