آمار
| تعداد نشریات | 31 |
| تعداد شماره‌ها | 703 |
| تعداد مقالات | 7,574 |
| تعداد مشاهده مقاله | 9,384,893 |
| تعداد دریافت فایل اصل مقاله | 8,800,453 |
برآورد میزان رسوب حوضه رود ارس با استفاده از شبکه های عصبی مصنوعی (مطالعه موردی: زیرحوضه دره رود) | ||
| نشریه جغرافیا و برنامه ریزی | ||
| مقاله 3، دوره 22، شماره 65، پاییز 1397، صفحه 50-73 اصل مقاله (849 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| نویسندگان | ||
دکتر علی محمدخورشیددوست1؛ فریبا اسفندیاری  2؛ سید اسعد حسینی3؛ پروانه دولتخواه4
| ||
| 1سردبیر نشریه | ||
| 2دانشیار ژئومورفولوژی - دانشگاه محقق اردبیلی | ||
| 3مدرس/ دانشگاه پیام نور | ||
| 4کارشناس ارشد ژئوموفولوژی/دانشگاه آزاد اهر | ||
| چکیده | ||
| یکی از روشهای نوین در زمینه پیشبینی فرآیندهای هیدرولوژیکی و ژئومورفولوژیکی شبکههای عصبی مصنوعی از مؤلفههای هوش مصنوعی است که در جهت پیادهسازی ویژگیهای شگفت انگیز مغز انسان در یک سیستم مصنوعی میکوشند و ابزاری قدرتمند در زمینهی مدلسازی و پیشبینی پارامترهای ژئومورفولوژیاند که در این پژوهش جهت برآورد میزان رسوب حوضه رود ارس استفاده شده است. بدین منظور از آمار دبی، رسوب و بارش ماهانه ایستگاه هیدرومتری بران واقع در حوضه آبریز دره رود از زیر حوضههای مهم حوضه رود ارس در دشت مغان در طول دوره آماری 34 ساله (سال آبی 54-53 تا 87-86) استفاده گردید. بدین صورت که میزان دبی و بارش به عنوان ورودیهای شبکه عصبی مصنوعی و میزان رسوب به عنوان خروجی شبکه در نظر گرفته شدند. به منظور پیادهسازی مدل از امکانات و توابع موجود در محیط برنامه نویسی نرم افزارهای MATLAB/2010 و SPSS/21 بهره گرفته شد. سپس به ارزیابی عملکرد مدل، از طریق معیارهای آماری از جمله ضریب تعیین، مجذور میانگین مربعات خطا، میانگین مربعات خطا، میانگین مطلق خطا، ضریب همبستگی و همچنین میانگین درصد نسبی خطا پرداخته شد. نتایج به دست آمده ضمن تأیید توانایی مدل شبکه عصبی مصنوعی نشان داد که انطباق خوبی بین مقادیر پیشبینی شده و مشاهداتی وجود دارد به‌طوری که میانگین خطای این مدل با دادههای مشاهداتی برابر 9/0 درصد و ضریب همبستگی 99/0 است که در سطح 01/0 نیز معنیدار گشته است. نتایج حاصل از این پژوهش نشان داد که مدل شبکه عصبی مصنوعی از دقت بالایی در برآورد میزان رسوب در حوضه مورد بررسی برخوردار است. نتایج حاصل میتواند در مدیریت و برنامهریزی حوضههای آبخیز و مدیریت منابع آبی و طبیعی بویژه در بخشهای کشاورزی، صنعت، شرب و همچنین پیشبینی وضعیت رسوبگذاری در مخزن سدها مفید باشد. | ||
| کلیدواژه‌ها | ||
| ارس؛ برآورد؛ شبکههای عصبی مصنوعی؛ رسوب | ||
| موضوعات | ||
| آب و هواشناسی | ||
| عنوان مقاله [English] | ||
| Estimate of the Aras River Basin Sediment through Artificial Neural Network (Case Study: Dareh Roud Sub basins) | ||
| نویسندگان [English] | ||
| Ali Mohammad Khorshiddoust1؛ Fariba Esfandeyari2؛ Seyed Asaad Hosseini3؛ Parvaneh Dolatkhah4 | ||
| 1Chief Editor | ||
| چکیده [English] | ||
| One of the new techniques in the field of predicting hydrological and geomorphologic processes is artificial neural network from the components of artificial intelligence which are trying to implement the amazing features of human brain in an artificial system and are powerful tools in the field of modeling and predicting geomorphologic parameters and in this study have been used for the prediction of sediment in Aras basin. For this purpose was used information of discharge, sedimentation and prediction monthly on Borran hydrometric station located in the Basin of Darreh Roud that is from the main sub basin of Aras river in Moghan plain during the period of 34 years (water year of 53-54 to 86-87). So that the discharge and precipitation rate as inputs to the neural network and sediment was considered the output of network. For this purpose used the facilities and functions available in programming environment MATLAB / 2010 and SPSS / 21 software. Then models were evaluated through statistical parameters such as the determination coefficient, root mean square error, mean square error, mean absolute error, correlation coefficient and also mean percentage relative error. The results, in addition to confirming the capability of artificial neural network model, showed that, there is good correspondence between predicted values and observed data. So that the error mean of this model with the observed data is 0.9 and correlation coefficient is 0.99 which is significant at 0.01.The results of this study showed that the artificial neural. Network model has more accuracy in the estimation of sediment at the investigated basin. The results can be useful in planning and management of water and watersheds and natural resource management, especially in agriculture, industry, drinking and Forecast of Reservoir Sedimentation | ||
| مراجع | ||
|
- اسفندیاری، ف، حسینی، س الف.، احمدی، ح.، محمدپور، ک.، 1392، مدلسازی پیشبینی سرماهای دیررس بهاره در شهرستان سقز با استفاده از مدل پرسپترون چند لایه (MLP)، دومین کنفرانس بین المللی مدلسازی گیاه، آب، خاک و هوا، دانشگاه تحصیلات تکیملی صنعتی و فناوری پیشرفته، کرمان، 12 ص. - اصغریمقدم، الف.، نورانی، و.، ندیری، ع.، 1387، مدلسازی بارش دشت تبریز با استفاده از شبکههای عصبی مصنوعی، مجله دانش کشاورزی دانشگاه تبریز، جلد 18، شماره 1، صص 15-1. - اعلمی، م.، نورانی، و.، نظمآرا، ح.، 1388، قابلیت شبکه عصبی مصنوعی جهت مدل سازی چند ایستگاهه بار معلق در مقایسه با روش منحنی رسوب، نشریهدانشآبوخاک، جلد 1/19، شماره 2، صص 45-55. - اکبرپور، ا.، حامدافتخار،خ.، 1385، مقایسه مدلهای شبکه عصبی مصنوعی و رگرسیون در پیشبینی آورد رسوب درحوزه اهرچای آذربایجان شرقی، اولین همایش ملی مدیریت شبکه های آبیاری و زهکشی، 9ص. - اکبرپور، م.، شکرالهی، ا.، 1383، به کارگیری شبکههای عصبی مصنوعی در تخمین جریانات رودخانهای، اولین کنگره ملی مهندسی عمران، دانشگاه صنعتی شریف، صص 7-1. - ایلدرمی، ع.، زارع ابیانه، ح.، بیات ورکشی، م.، 1392. برآورد بارش به کمک شبکه عصبی مصنوعی با دادههای هواشناسی غیربارشی در سه منطقه شیراز، مشهد و کرمان، نشریه جغرافیا و برنامهریزی، دوره 17، شماره 43، صص 40-21. - چوبدار، ا، 1386، پیشبینی ورودی ماهانه دریاچه سد شهید مدنی تبریز (ونیار) براساس تأثیر عناصر اقلیمی با استفاده از شبکههای عصبی مصنوعی، رساله دکتری تخصصی جغرافیایطبیعی(کلیماتولوژی)، دانشگاه تبریز. - حسینی، س ا.، 1388، تحلیل و برآورد دماهای حداکثر شهرستان اردبیل با استفاده از مدل تئوری شبکههای عصبی مصنوعی، پایاننامه کارشناسی ارشد جغرافیای طبیعی (اقلیمشناسی)، دانشکده ادبیات و علوم انسانی، دانشگاه محقق اردبیلی، 95 ص. - حیدری، ا.، 1392، تحلیل عملکرد شبکه های عصبی مصنوعی(ANN) و مدل های رگرسیونی در پیش بینی و برآورد رسوب و فرسایش مطالعه موردی: حوضه رودخانه کر- چمریز، پایاننامه کارشناسی ارشد ژئومورفولوژی گروه جغرافیای طبیعی، دانشگاه محقق اردبیلی، 132ص. - خلیلی، ن.، خداشناس، س ر.، داوری، ک.، 1385، پیشبینی بارش با استفاده از شبکههای عصبی مصنوعی، دومین کنفرانس مدیریت منابع آب، مشهد، 10 ص. - دستورانی، م ت.، عظیمیفشی، خ.، طالبی، ع.، اختصاص، م ر.، 1391، برآورد رسوبات معلق با استفاده از شبکه عصبی مصنوعی مطالعه موردی: حوزه آبخیز جامیشان استان کرمانشاه، پژوهشنامهمدیریتحوزهآبخیز، سال 3، شماره 6، صص 74-61. - دهقانی، ا.، ملک محمدی، م.، هزارجریبی، ا.، 1389، تخمین رسوب معلق رودخانه بهشت آباد با استفاده از شبکه عصبی مصنوعی، مجلهپژوهشهایحفاظتآبوخاک، جلد 17، شماره 1، صص 168-159. - دولتخواه، پ.، 1392. برآورد فرسایش و رسوب حوضهی رود ارس با استفاده از شبکههای عصبی مصنوعی، پایاننامه کارشناسی ارشد ژئومورفولوژی، استاد راهنما: فریبا اسفندیاری، دانشکده علوم انسانی، دانشگاه آزاد واحد اهر. - رحمتی، ح.، امامقلیزاده، ص.، انصاری، ح.، 1396، برآورد رواناب حوضه بار اریه با استفاده از مدلهای WetSpa و شبکه عصبی مصنوعی، نشریه جغرافیا و برنامهریزی، دوره 21، شماره 62، صص 115-95. - طلوعی، س.، حسین زاده دلیر، ع.، قربانی، م ع.، فاخریفرد، الف.، سلماسی، ف.، 1390، تخمین زمانی و مکانی بار معلق رودخانه آجی چای با استفاده از زمین آمار و شبکه عصبی مصنوعی، نشریه دانش آب و خاک، جلد 21، شماره 4، صص 104-93. - عساکره، ح.، صیادی، ف.، 1396. تحلیل و پیشبینی روزهای خشک با استفاده از مدل شبکه عصبی مصنوعی (مطالعه موردی: ایستگاه تهران)، نشریه جغرافیا و برنامهریزی، دوره 21، شماره 60، صص 167-161. - فتحی، پ.، محمدی، ی.، همایی، م.، 1388، مدلسازی هوشمند سری زمانی آورد ماهانه ورودی به سد وحدت سنندج، مجله آب و خاک (علوم و صنایع کشاورزی)، جلد 23، شماره 1، صص 220-209. - مقصودی، م.، یمانی، م.، سالاری، م.، 1387، برآورد فرسایش و رسوب از طریق ارزیابی متغیرهای تأثیرگذار در حوضهی آبخیز وزنه با استفاده از GIS، فصلنامه جغرافیا و توسعه، شماره 16، صص 134-119. - منهاج، م ب.، 1384، مبانی شبکههای عصبی(هوش محاسباتی)، مرکز نشر دانشگاه صنعتی امیر کبیر، چاپ سوم، جلد 1، 712ص. - ولی، ع.، معیری، م.، رامشت، م ح.، موحدینیا، ن.، 1389، تحلیل مقایسه عملکرد شبکههای عصبی مصنوعی و مدلهای رگرسیونی پیشبینی رسوب معلق مطالعه موردی: حوضه آبخیز اسکندری واقع در حوضه آبریز زاینده رود، پژوهشهای جغرافیای طبیعی، شماره 71، صص 30-21.
- Abbasi Shoshtari, S. and M. Kashefipoor, 2006, Estimation of suspended sediment using artificial neural networks (Case study: Ahwaz station), 7th international river engineering conference, Ahwaz, Iran. 813 pp.
- Ardiclioglo, M., O. Kisi and T. Haktanir, 2007, Suspended sediment prediction using two different feed-forward back-propagation algorithms, Canadian Journal of Civil Engineering, 34(1): 120-125.
- Bhattacharya, B., Price, R.K., Solomatine, D.P, 2005, Data-driven modeling in the context of sediment transport, Physics and Chemistry of the Earth 30, 297–302.
- Cigizoglu, H.K.,Alp,M, 2006, Generalized regression neural network in modeling river sediment yield, J. Advance in Engineering Software.37:63-68
- Conrads, P.A., Roehle, E.A, 1999, Comparing Physics- Based and Neural Network Mo Simulating Salinity, Temperature and Dissolved in a Complex, Tidally Affected River Basin, Proceeding of the South Carolina Environmental Conferens, 1-15.
- Firat, M. and M. Gunger, 2009, Generalized regression neural networks and feed forward neural networks for prediction of scour depth around bridge piers, Advance in Engineering Software, 40: 731-737.
- Fulop, I.A., Jozsa, J., Karamer, T, 1998, Aneural network application in estimating wind induced shallow lak motion, Hydroinformatics 98, 2: 753-757.
- Hamidi, N. and N. Kayaalp, 2008, Estimation of the amount of suspended sediment in the Tigris river using artificial neural networks. Clean, 36(4): 380- 386.
- Melesse, A.M., S. Ahmad, M.E. McClain, X. Wang and Y.H. Lim, 2011, Suspended sediment load prediction of river systems: An artificial neural network approach, Agricultural Water Management, 98(5): 855-866.
- Ranjithan, J., Eheart, J., Garrett, J.H, 1995, Application of neural network in groundwater remediation under condition of uncertainty, New Uncertainty conceptsion, Hydrology and Water Resources, 133-140. | ||
|
آمار تعداد مشاهده مقاله: 47 تعداد دریافت فایل اصل مقاله: 35 |
||
