دوره 14، شماره 28 - ( پاییز و زمستان 1402 )
جلد 14 شماره 28 صفحات 123-110 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
shirazi F, Zahiri A, piri J, Dehghani A A. (2023). Development a new hydraulic method for prediction of river flood discharge. J Watershed Manage Res. 14(28), 110-123. doi:10.61186/jwmr.14.28.110
URL: http://jwmr.sanru.ac.ir/article-1-1211-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1211-fa.html
شیرازی فاطمه، ظهیری عبدالرضا، پیری جمشید، دهقانی امیر احمد.(1402). ارائه روشی مبتنی بر هیدرولیک جریان و مدل یادگیری ماشین برای پیشبینی دبی سیلاب رودخانهها پژوهشنامه مديريت حوزه آبخيز 14 (28) :123-110 10.61186/jwmr.14.28.110
فاطمه شیرازی1 
، عبدالرضا ظهیری*2 ، جمشید پیری3 ، امیر احمد دهقانی2
، عبدالرضا ظهیری*2 ، جمشید پیری3 ، امیر احمد دهقانی2
1- سازههای آبی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
2- گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
3- گروه مهندسی آب، دانشگاه زابل
2- گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
3- گروه مهندسی آب، دانشگاه زابل
چکیده: (4531 مشاهده)
چکیده مبسوط
مقدمه: تخمین صحیح دبی جریان سیلاب در رودخانهها موضوع مهمی بوده و نقش قابلتوجهی در استفاده بهینه از منابع آب، بهرهبرداری از مخازن سدها و نیز طراحی و برنامهریزی پروژههای آبی ایفا میکند.
مواد و روشها: در این تحقیق برای تخمین دبی سیلاب، از روشی ساده و مفهومی براساس معادله مانینگ تحت شرایط واقعی جریان استفاده شده است. در این روش، ابتدا برای تاثیر توام شیب انرژی و ضریب زبری مانینگ، پارامتر آلفا (α) تعریف شده و برای 12 ایستگاه هیدرومتری واقع در سه رودخانه اصلی استان گلستان (شامل گرگانرود، اترک و قرهسو) محاسبه شد.
یافتهها: نتایج نشان داد که مقدار این پارامتر با افزایش عمق جریان کاهش یافته و در نهایت بهصورت مجانب تقریباً به یک مقدار ثابت میرسد. این رفتار نشان میدهد که به ازاء عمقهای زیاد جریان در رودخانه که بیانگر وقوع سیلاب میباشد، مقدار α ثابت شده و با استفاده از این عدد ثابت و نیز معادله مانینگ، میتوان دبی سیلاب رودخانه را برآورد نمود. در گام بعدی، سعی شد بین این پارامتر و عمق جریان، یک رابطه رگرسیونی ارائه شود. نتایج مدلسازی رگرسیونی نشان داد که برای اغلب ایستگاههای هیدرومتری، ضریب تعیین (R2) روابط ارائه شده کوچکتر از 0/3 بوده و دارای کارایی لازم نیست. بههمین دلیل برای بیان این ارتباط با کارایی و دقت بیشتر، از مدلهای یادگیری ماشین استفاده شد. به این منظور پارامتر α بهکمک مدلهای شبکه عصبی (ANN)، درخت تصمیم (M5tree) و ماشین بردار رگرسیونی (SVR) مدلسازی شد.
نتیجهگیری: نتایج مدلسازی نشان داد که مدل درخت تصمیم با میانگین خطای مطلق 0/35، ضریب تعیین 0/88 و خطای میانگین جذر مربعات 0/86 در مرحله آزمون بهترین دقت را دارا میباشد. بعد از تعیین پارامتر α، مقدار دبی سیلاب پیشبینی گردید.
بهترین عملکرد در بین مدلها را درخت تصمیم در پیشبینی دبی جریان در رودخانهها دارا بود،
که پس از مقایسه با مقادیر مشاهداتی، مدل درخت تصمیم با میانگین خطای مطلق 1/32، ضریب تعیین 0/89 و خطای میانگین جذر مربعات 3/63 در مرحله آزمون بهترین دقت را دارا میباشد.
مقدمه: تخمین صحیح دبی جریان سیلاب در رودخانهها موضوع مهمی بوده و نقش قابلتوجهی در استفاده بهینه از منابع آب، بهرهبرداری از مخازن سدها و نیز طراحی و برنامهریزی پروژههای آبی ایفا میکند.
مواد و روشها: در این تحقیق برای تخمین دبی سیلاب، از روشی ساده و مفهومی براساس معادله مانینگ تحت شرایط واقعی جریان استفاده شده است. در این روش، ابتدا برای تاثیر توام شیب انرژی و ضریب زبری مانینگ، پارامتر آلفا (α) تعریف شده و برای 12 ایستگاه هیدرومتری واقع در سه رودخانه اصلی استان گلستان (شامل گرگانرود، اترک و قرهسو) محاسبه شد.
یافتهها: نتایج نشان داد که مقدار این پارامتر با افزایش عمق جریان کاهش یافته و در نهایت بهصورت مجانب تقریباً به یک مقدار ثابت میرسد. این رفتار نشان میدهد که به ازاء عمقهای زیاد جریان در رودخانه که بیانگر وقوع سیلاب میباشد، مقدار α ثابت شده و با استفاده از این عدد ثابت و نیز معادله مانینگ، میتوان دبی سیلاب رودخانه را برآورد نمود. در گام بعدی، سعی شد بین این پارامتر و عمق جریان، یک رابطه رگرسیونی ارائه شود. نتایج مدلسازی رگرسیونی نشان داد که برای اغلب ایستگاههای هیدرومتری، ضریب تعیین (R2) روابط ارائه شده کوچکتر از 0/3 بوده و دارای کارایی لازم نیست. بههمین دلیل برای بیان این ارتباط با کارایی و دقت بیشتر، از مدلهای یادگیری ماشین استفاده شد. به این منظور پارامتر α بهکمک مدلهای شبکه عصبی (ANN)، درخت تصمیم (M5tree) و ماشین بردار رگرسیونی (SVR) مدلسازی شد.
نتیجهگیری: نتایج مدلسازی نشان داد که مدل درخت تصمیم با میانگین خطای مطلق 0/35، ضریب تعیین 0/88 و خطای میانگین جذر مربعات 0/86 در مرحله آزمون بهترین دقت را دارا میباشد. بعد از تعیین پارامتر α، مقدار دبی سیلاب پیشبینی گردید.
بهترین عملکرد در بین مدلها را درخت تصمیم در پیشبینی دبی جریان در رودخانهها دارا بود،
که پس از مقایسه با مقادیر مشاهداتی، مدل درخت تصمیم با میانگین خطای مطلق 1/32، ضریب تعیین 0/89 و خطای میانگین جذر مربعات 3/63 در مرحله آزمون بهترین دقت را دارا میباشد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
ساير موضوعات وابسته به مديريت حوزه آبخيز
دریافت: 1401/8/1 | پذیرش: 1402/2/30
دریافت: 1401/8/1 | پذیرش: 1402/2/30
فهرست منابع
1. Abril, J., & Knight, D. (2004). Stage-discharge prediction for rivers in flood applying a depth-averaged model. Journal of Hydraulic Research, 42(6), 616-629.
https://doi.org/10.1080/00221686.2004.9628315 [DOI:10.1080/00221686.2004. 9628315]
2. Afsarian, F., Saber, A., Pourzangbar, A., Olabi, A. G., & Khanmohammadi, M. A. (2018). Analysis of recycled aggregates effect on energy conservation using M5′ model tree algorithm. Energy, 156, 264-277. https://doi.org/ 10.1016/j.energy.2018.05.099 [DOI:10.1016/j.energy.2018.05.099]
3. Al Sawaf, M. B., & Kawanisi, K. (2020). Assessment of mountain river streamflow patterns and flood events using information and complexity measures. Journal of Hydrology, 590, 125508. [DOI:10.1016/j.jhydrol.2020.125508]
4. Ardiclioglu, M., Genc, O., Kalin, L., & Agiralioglu, N. (2012). Investigation of flow properties in natural streams using the entropy concept. Water and Environment Journal, 26(2), 147-154. https://doi.org/ 10.1111/j.1747-6593.2011.00270.x [DOI:10.1111/j.1747-6593.2011.00270.x]
5. Bashirgonbad, M. (2022). Rainfall-runoff modeling to predict maximum daily flow under climate change conditions. Journal of watershed management research, 13(26), 115-124. [DOI:10.52547/jwmr.13.26.115]
6. Bjerklie, D. M., Dingman, S. L., Vorosmarty, C. J., Bolster, C. H., & Congalton, R. G. (2003). Evaluating the potential for measuring river discharge from space. Journal of Hydrology, 278(1-4), 17-38. [DOI:10.1016/S0022-1694(03)00129-X]
7. Braca, G., 2008. Stage-discharge relationships in open channels: Practices and problems. London, UK: Univ. degli Studi di Trento, Dipartimento di Ingegneria Civile e Ambientale: 1- 6.
8. Choo, T., Maeng, S., Yoon, H., Kim, D., & Kim, S. (2012). A study on the derivation of a mean velocity formula from Chiu's velocity formula and bottom shear stress. International Journal of Environmental Research, 6(2), 537-546.
https://doi.org/10.5194/hessd-8-6419-2011 [DOI:10.22059/ijer.2012.523]
9. Cook, A., & Merwade, V. (2009). Effect of topographic data, geometric configuration and modeling approach on flood inundation mapping. Journal of Hydrology, 377(1-2), 131-142. https:// doi.org 10.1016/j.jhydrol.2009.08.015 [DOI:10.1016/j.jhydrol.2009.08.015]
10. Corato, G., Ammari, A., & Moramarco, T. (2014). Conventional point-velocity records and surface velocity observations for estimating high flow discharge. Entropy, 16(10), 5546-5559. [DOI:10.3390/e16105546]
11. Demir, V., & Kisi, O. (2016). Flood hazard mapping by using geographic information system and hydraulic model: Mert River, Samsun, Turkey. Advances in Meteorology, 2016. https://doi.org/ 10.1155/ 2016/4891015.
https://doi.org/10.1155/2016/4891015 [DOI:10.1155/ 2016/4891015.]
12. Deo, R. C., Downs, N., Parisi, A. V., Adamowski, J. F., & Quilty, J. M. (2017). Very short-term reactive forecasting of the solar ultraviolet index using an extreme learning machine integrated with the solar zenith angle. Environmental research, 155, 141-166. https://doi.org/ 10.1016/j.envres.2017.01.035 [DOI:10.1016/j.envres.2017.01.035]
13. EL Bilali, A., Taleb, A., EL Idrissi, B., Brouziyne, Y., & Mazigh, N. (2020). Comparison of a data-based model and a soil erosion model coupled with multiple linear regression for the prediction of reservoir sedimentation in a semi-arid environment. Euro-Mediterranean Journal for Environmental Integration, 5, 1-13. https://doi.org/ 10.1007/s41207-020-00205-8 [DOI:10.1007/s41207-020-00205-8]
14. Eslami, S., & Hasanlou, M. (2019). Coral Reef modeling using Support Vector Regression and applying spectral indices. Iranian journal of Marine technology, 6(1), 31-44. https://doi.org/ 20.1001.1.24236853.1398.6.1.3.3 [DOI:20.1001.1.24236853.1398.6.1.3.3]
15. García Nieto, P. J., García-Gonzalo, E., Bernardo Sánchez, A., & Rodríguez Miranda, A. (2018). Air quality modeling using the PSO-SVM-based approach, MLP neural network, and M5 model tree in the metropolitan area of Oviedo (Northern Spain). Environmental Modeling & Assessment, 23, 229-247.
https://doi.org/10.1007/s10666-017-9578-y [DOI:10.1007/S10666-017-9578-Y.]
16. Goel, N., Then, H. H., & Arya, D. (2005). Flood hazard mapping in the lower part of Chindwin River Basin, Myanmar. In International conference on innovation advances and implementation of flood forecasting technology, 10:17-19.
17. Hasanpour Kashani, M., Daneshfaraz, R., Ghorbani, M., Najafi, M., & Kisi, O. (2015). Comparison of different methods for developing a stage-discharge curve of the Kizilirmak River. Journal of Flood Risk Management, 8(1), 71-86. [DOI:10.1111/jfr3.12064]
18. Hu, C., Ji, Z., & Guo, Q. (2010). Flow movement and sediment transport in compound channels. Journal of Hydraulic Research, 48(1), 23-32. [DOI:10.1080/00221680903568600]
19. Huai, W., Zeng, Y., Xu, Z., & Yang, Z. (2009). Three-layer model for vertical velocity distribution in open channel flow with submerged rigid vegetation. Advances in Water Resources, 32(4), 487-492.
https://doi.org/10.1016/j.advwatres.2008.11.014 [DOI:10.1016/j.advwatres.2008.11.014.]
20. Kisi, O., Heddam, S., Keshtegar, B., Piri, J., & Adnan, R. M. (2022). Predicting daily streamflow in a cold climate using a novel data mining technique: radial M5 model tree. Water, 14(9), 1449.
https://doi.org/10.3390/w14091449 [DOI:10.3390/w14091449.]
21. Lee, T. H., & Georgakakos, K. P. (1996). Operational Rainfall Prediction on Meso‐γ Scales for Hydrologic Applications. Water Resources Research, 32(4), 987-1003.
https://doi.org/10.1029/95WR03814 [DOI:10.1029/95WR03814.]
22. Lin, J. Y., Cheng, C. T., & Chau, K. W. (2006). Using support vector machines for long-term discharge prediction. Hydrological Sciences Journal, 51(4), 599-612. [DOI:10.1623/hysj.51.4.599]
23. Lohani, A. K., Goel, N. K., & Bhatia, K. (2014). Improving real time flood forecasting using fuzzy inference system. Journal of Hydrology, 509, 25-41. [DOI:10.1016/j.jhydrol.2013.11.021]
24. Maity, R., Bhagwat, P. P., & Bhatnagar, A. (2010). Potential of support vector regression for prediction of monthly streamflow using endogenous property. Hydrological Processes: An International Journal, 24(7), 917-923. https://doi.org/ 10.1002/hyp.7535.
https://doi.org/10.1002/hyp.7535 [DOI:10.1002/hyp.7535.]
25. Moramarco, T., & Singh, V. (2008). Streamflow measurements and discharge assessment during high flood events. Hydrology and Hydraulics, VP Singh, ed, 899. [DOI:10.1186/s40562-018-0113-z]
26. Mosavi, A., Bathla, Y., & Varkonyi-Koczy, A. (2018). Predicting the future using web knowledge: state of the art survey. In International conference on global research and education: 341-349. https://doi.org/ 10.1007/978-3-319-67459-9_42.
https://doi.org/10.1007/978-3-319-67459-9_42 [DOI:10.1007/978-3-319-67459-9_42.]
27. Pham, H. T., Marshall, L., Johnson, F., & Sharma, A. (2018). Deriving daily water levels from satellite altimetry and land surface temperature for sparsely gauged catchments: A case study for the Mekong River. Remote Sensing of Environment, 212, 31-46. [DOI:10.1016/j.rse.2018.04.034]
28. Piri, J., Shamshirband, S., Petković, D., Tong, C. W., & ur Rehman, M. H. (2015). Prediction of the solar radiation on the earth using support vector regression technique. Infrared Physics & Technology, 68, 179-185. [DOI:10.1016/j.infrared.2014.12.006]
29. Quinlan, J. R. (1992). Learning with continuous classes. In 5th Australian joint conference on artificial intelligence, 92: 343-348.
30. Rokoni, A., Zhang, L., Soori, T., Hu, H., Wu, T., & Sun, Y. (2022). Learning new physical descriptors from reduced-order analysis of bubble dynamics in boiling heat transfer. International Journal of Heat and Mass Transfer, 186, 122501.
https://doi.org/10.1016/j.ijheatmasstransfer.2021.122501 [DOI:10.1016/j.ijheatmasstransfer.2021.122501.]
31. Sahu, M., Khatua, K., & Mahapatra, S. (2011). A neural network approach for prediction of discharge in straight compound open channel flow. Flow Measurement and Instrumentation, 22(5), 438-446. [DOI:10.1016/j.flowmeasinst.2011.06.009]
32. Sanz-Ramos, M., Bladé, E., González-Escalona, F., Olivares, G., & Aragón-Hernández, J. L. (2021). Interpreting the manning roughness coefficient in overland flow simulations with coupled hydrological-hydraulic distributed models. Water, 13(23), 3433. [DOI:10.3390/w13233433]
33. shiukhy, S., & Mousavi, M. (2019). The Effect of Large-Scale Climatic Signals on Rainfall in Mazandaran Province. Journal of watershed management research, 10(20), 13-24. https://doi.org/ 10.29252/ jwmr.10.20.13.
https://doi.org/10.29252/jwmr.10.20.13 [DOI:10.29252/ jwmr.10.20.13.]
34. Srinivasan, D. (2008). Energy demand prediction using GMDH networks. Neurocomputing, 72(1-3), 625-629. [DOI:10.1016/j.neucom.2008.08.006]
35. Tarpanelli, A., Barbetta, S., Brocca, L., & Moramarco, T. (2013). River discharge estimation by using altimetry data and simplified flood routing modeling. Remote Sensing, 5(9), 4145-4162. [DOI:10.3390/rs5094145]
36. Willmott, C. J., & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 30(1), 79-82. [DOI:10.3354/cr030079]
37. Yassin, M., Asfaw, A., Speight, V., & Shucksmith, J. D. (2021). Evaluation of Data-Driven and Process-Based Real-Time Flow Forecasting Techniques for Informing Operation of Surface Water Abstraction. Journal of Water Resources Planning and Management, 147(7), 04021037. https://doi.org/ 10.1061/(ASCE)WR.1943-5452.0001397 [DOI:10.1061/(ASCE)WR.1943-5452.0001397]
38. Zahiri, A., Dehghani, A., & Hezarjaribi, A. (2012). Determination of stage discharge curve for laboratory and river compound channels applying genetic algorithm. Journal of Water and Soil Conservation, 19(2), 179-192.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
