| تعداد نشریات | 45 |
| تعداد شمارهها | 1,416 |
| تعداد مقالات | 17,490 |
| تعداد مشاهده مقاله | 56,485,064 |
| تعداد دریافت فایل اصل مقاله | 18,742,407 |
شبیه سازی دبی رودخانه ایستگاههای هیدرومتری حوضه آبریز کرخه با استفاده از مدلهای فراابتکاری | ||
| هیدروژئومورفولوژی | ||
| دوره 12، شماره 44، مهر 1404، صفحه 94-75 اصل مقاله (1.3 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/hyd.2025.65805.1777 | ||
| نویسندگان | ||
| رضا دهقانی* 1؛ رضا چمن پیرا2؛ طاهر فرهادی نژاد2؛ الهام داوودی3 | ||
| 1دکترای علوم ومهندسی آب، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان لرستان، سازمان تحقیقات، | ||
| 2استادیار پژوهشی بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان لرستان، سازمان تحقیقات، آموزش | ||
| 3دکترای علوم ومهندسی آبخیزداری ، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان لرستان، سازمان | ||
| چکیده | ||
| اندازهگیری دبی رودخانه همواره یکی از چالشهای اساسی در مدیریت رودخانه است. استفاده از ابزارهای دقیق برای محاسبه آن ضروری است. روشهای عددی، تحلیلی، هوش مصنوعی و تجربی، رایجترین روشها برای اندازهگیری جریان روزانه رودخانه هستند. در این تحقیق، یک مدل هوشمند ترکیبی مبتنی بر رویکرد مدل رگرسیون بردار پشتیبان برای شبیه سازی دبی رودخانه توسعه داده شده است. بدین منظور در این پژوهش از سه الگوریتم بهینه سازی شامل موجک، تفنگدار خلاق و عنکبوت بیوه سیاه برای شبیه سازی دبی رودخانه استفاده شد. جهت مدلسازی از آمار و اطلاعات ایستگاه های هیدرومتری حوضه آبریز کرخه شامل چم انجیر، کشکان، پل زال و جلوگیر بعنوان مطالعه موردی طی4 سناریو ترکیبی از پارامترهای ورودی در سالهای 1372 تا 1402 استفاده شد. به منظور ارزیابی عملکرد مدلها از معیارهای ارزیابی ضریب همبستگی، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب نش ساتکلیف استفاده شد. همچنین جهت تحلیل نتایج مدلها از نمودار پراکنش و خطای نسبی و تیلور استفاده شد. نتایج نشان داد سناریو های ترکیبی در مدلهای مورد بررسی باعث بهبود عملکرد مدل می شود. همچنین نتایج حاصل از معیار ارزیابی نشان داد مدل رگرسیون بردار پشتیبان-موجک دارای ضریب همبستگی 974-941/0 ، ریشه میانگین مرعات خطا (m3/s) 054-022/0 ، میانگین قدر مطلق خطا (m3/s) 011-025/0 و ضریب نش ساتکلیف 986-962/0 در مرحله صحت سنجی برخوردار است. در مجموع نتایج نشان داد استفاده از مدلهای هوشمند مبتنی بر رویکرد رگرسیون بردار پشتیبان می تواند رویکردی موثر در پایداری مهندسی رودخانه باشد. | ||
| کلیدواژهها | ||
| ایستگاه هیدرومتری؛ رگرسیون بردار پشتیبان؛ دبی رودخانه؛ موجک | ||
| مراجع | ||
|
Alizadeh, F., Gharamaleki, A., Jalilzadeh, M. and Akhoundzadeh, A. 2020. Prediction of river stage-discharge process based on a conceptual model using EEMD-WT-LSSVM Approach, Water Resources. 47(2), 41-53. Basak, D., Pal, S., and Patranabis, D.C.(2007). Support vector regression. Neural Inf Process, 11(2), 203-225. Brierley GJ, Fryirs KA (2013) Geomorphology and river management: applications of the river styles framework. John Wiley & Sons. Dehghani, R., Babaali, H.(2023). Evaluation of Statistical Models and Modern Hybrid Artificial Intelligence in Simulation of Runoff Precipitation Process. Sustain. Water Resour. Manag, 8: 154-172. https://doi.org/10.1007/s40899-022-00743-9. Dehghani, R., Torabi Poudeh, H., Younesi, H., Shahinejad, B. 2020.. Daily streamflow prediction using support vector machine-artificial flora (SVM-AF) hybrid model. Acta Geophys. 68(7), 1763–1778 . https://doi.org/10.1007/s11600-020-00472-7. Dehghani, R., Torabi Poudeh, H., Younesi, H., Shahinejad, B.(2020). Daily Streamflow Prediction Using Support Vector Machine-Artificial Flora (SVM-AF) Hybrid Model. Acta Geophysica,68(6): 51-66. Dehghani, R., Torabi, H.(2021). Dissolved oxygen concentration predictions for running waters with using hybrid machine learning techniques. Modeling Earth Systems and Environment, 6(2): 64-78. https://doi.org/10.1007/s40808-021-01253-x. Goorani Z, Shabanlou S (2021) Multi-objective optimization of quantitative-qualitative operation of water resources systems with approach of supplying environmental demands of Shadegan Wetland. J Environ Manage 292:112769. Kisi, O., Karahan, M., Sen, Z. (2006). River suspended sediment modeling using fuzzy logic approach. Hydrol Process, 20(2): 4351-4362. Kohansarbaz, A., Yaghoubi, B., Shabanlou, S. Yosefvand. F.,Izadbakhsh, M.A., Rajabi, A.2024. . Simulation of monthly river flow using SVR neural network improved with population-based optimization algorithms. Model. Earth Syst. Environ. 10(4), 4525–4547 https://doi.org/10.1007/s40808-024-02040-0. Marlia M, Syaharuddin S, Handy MRN, Subiyakto B, Ilhami MR (2022) Changes in the behavior of the riverside community of Banua Anyar Village towards river management policies. Kalim- antan Soc Stud J 4(1):48–55. Mazraeh A, Bagherifar M, Shabanlou S, Ekhlasmand R (2024) A novel committee-based framework for modeling groundwater level fluctuations: a combination of mathematical and machine learning models using the weighted multi-model ensemble mean algorithm. Groundw Sustain Dev 24:101062. Nagy, H., Watanabe, K., Hirano, M. (2002). Prediction of sediment load concentration in rivers using artificial neural network model. Journal of Hydraulics Engineering, 128: 558-559. Parisouj P, Mohebzadeh H, Lee T (2020) Employing machine learning algorithms for streamflow prediction: a case study of four river basins with different climatic zones in the United States. Water Resour Manage 34(13):4113–4131. Pijarski, P., & Kacejko, P. 2019. A new metaheuristic optimization method: the algorithm of the innovative gunner (AIG). Engineering Optimization, 51(12):2049-2068. Rajaee, T., Nourani, V., Zounemat-Kermani, M., Kisi, O. 2011. River suspended sediment load prediction: application of ANN and wavelet conjunction model. J Hydrol Eng, 16(2):613–627. Sahoo, A., Singh, U. K., Kumar, M. H., & Samantaray, S. (2021). Estimation of Flood in a River Basin Through Neural Networks: A Case Study. In Communication Software and Networks (pp. 755-763). Springer, Singapore. Sebastian, P.A., & Peter, K.V. 2009. Spiders of India. Universities press. Shin, S., Kyung, D., Lee, S., Taik & Kim, J., and Hyun, J. (2005). An application of support vector machines in bankruptcy prediction model. Expert Systems with Applications, 28(4),127-135. Vapnik, V., Chervonenkis, A.(1991). The necessary and sufficient conditions for consistency in the empirical risk minimization method. Pattern Recognition and Image Analysis,1(3), 283-305. Vapnik, V.N. (1995).The nature of statistical learning theory. Springer, New York, 3(1), 250-320. Vapnik, V.N.(1998). Statistical learning theory. Wiley, New York, 4(1), 250-320. Wang, D., Safavi, A.A., and Romagnoli, J.A. (2000) Wavelet-based adaptive robust M-estimator for non-linear system identification. AIChE Journal,46(4), 1607-1615. Yildiz BS, Pholdee N, Bureerat S, Yildiz AR, Sait SM (2022) Enhanced grasshopper optimization algorithm using elite opposition-based learning for solving real-world engineering problems. Eng Com put 38(5):4207–4219. Zeidalinejad, N., Dehghani, R.(2023). Use of meta-heuristic approach in the estimation of aquifer's response to climate change under shared socioeconomic pathways. Groundwater for Sustainable Development, 20(4): 112-132. Zhao G, Bates P, Neal J, Pang B (2021) Design flood estimation for global river networks based on machine learning models. Hydrol Earth Syst Sci 25(11):5981–5999. Zounemat-Kermani, M., Kisi, O., Adamowski, J., Ramezani-Charmahineh, A. (2016).Evaluation of data driven models for river suspended sediment concentration modeling. Journal of Hydrology, 535(4), 457-472.
| ||
|
آمار تعداد مشاهده مقاله: 241 تعداد دریافت فایل اصل مقاله: 15 |
||