آمار
| تعداد نشریات | 44 |
| تعداد شماره‌ها | 1,323 |
| تعداد مقالات | 16,270 |
| تعداد مشاهده مقاله | 52,952,936 |
| تعداد دریافت فایل اصل مقاله | 15,623,805 |
بررسی عملکرد الگوریتم های Kstar و GPR در مدلسازی شاخص خشکسالی هواشناسی RDI (مطالعه موردی: شرق حوضه دریاچه ارومیه) | ||
| نشریه مهندسی عمران و محیط زیست دانشگاه تبریز | ||
| مقاله 12، دوره 54.1، شماره 114، خرداد 1403، صفحه 142-151 اصل مقاله (888.29 K) | ||
| نوع مقاله: مقاله کامل پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/ceej.2023.55292.2225 | ||
| نویسندگان | ||
| مرضیه صادقیان آق کندی1؛ حسین رضایی* 1؛ کیوان خلیلی1؛ فرشاد احمدی2 | ||
| 1گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه | ||
| 2گروه هیدرولوژی و منابع آب، دانشکده مهندسی آب، دانشگاه شهید چمران اهواز | ||
| چکیده | ||
| خشکسالی یکی از بلایای طبیعی است که سالانه خسارات فراوانی را برای جوامع مختلف به دنبال دارد. پایش خشکسالی ها میتواند اطلاعات باارزشی جهت تدوین برنامه های مقابله با خشکسالی و کاهش خسارات مربوط به آن در اختیار مدیران و برنامه ریزان منابع آب بگذارد. در تحقیق حاضر، خشکسالی هواشناسی چهار ایستگاه سینوپتیک (Synoptic Scale Meteorology) اهر، جلفا، تبریز و مراغه در استان آدربایجان شرقی، شرق دریاچه ارومیه با استفاده از شاخص خشکسالی RDI در دوره آماری 1955 تا 2019 مورد بررسی و تحلیل قرار گرفت. برای محاسبه شاخص RDI از داده های بارش و تبخیر تعرق پتانسیل ماهانه با روش فائو پنمن مانتیث (FP-M) استفاده شد. شاخص RDI برای هر ایستگاه به صورت جداگانه و درسه مقیاس زمانی 6، 9 و 12 ماهه محاسبه گردید و نتیجه محاسبات نشان داد در مقیاس زمانی 12 ماهه پایش خشکسالی بهتر از مقیاس های زمانی دیگر می باشد. سپس با استفاده از الگوریتم های Kstar و GPR شاخص RDI در سه مقیاس زمانی مدلسازی شد. نتایج حاصل از معیارهای ارزیابی، عملکرد بالای الگوریتم های ذکرشده را نشان داد به طوری که مقدار عددی ضریب همبستگی الگوریتم GPR برای همه ایستگاه ها 92/0 و همین ضریب با الگوریتم Kstar در بازه 91/0 تا 92/0 قرار دارد. همچنین مقدار عددی RMSE با الگوریتم GPR بازه 31/0 تا 39/0 و الگوریتم Kstar 32/0 تا 51/0 را به دست آورد. از این نتایج میتوان ادعا کرد که الگوریتم GPR با دقت بالاتری شاخص خشکسالی RDI را مدل کرده است. | ||
| کلیدواژه‌ها | ||
| الگوریتم Kstar؛ پایش خشکسالی RDI؛ رگرسیون فرایند گاوسی؛ شرق دریاچه ارومیه | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
احمدی ف، "ارزیابی عملکرد روش های ماشین بردار پشتیبان و سیستم استنتاج عصبی فازی تطبیقی در پیش بینی جریان ماهانه رودخانه (مطالعه موردی: رودخانه های نازلو و سزار)"، تحقیقات آب و خاک ایران، 1399، 51 (3)، 686- 673.
احمدی ف، مداح م ا، "توسعه روش هیبریدی موجک- الگوریتم Kstar برای پیش بینی بارش های ماهانه (مطالعه موردی: ایستگاه سینوپتیک اهواز)"، تحقیقات آب و خاک ایران، 1400، 52 (2)، 420- 409.
احمدی م، پایمزد ش، رحیمی م، "مقایسه پایش خشکسالی هیدرولوژی و هواشناسی با استفاده از شاخص های RDI و EDI"، محیط زیست و مهندسی آب، 1400، 7 (4)، 696- 683.
شکوهی ع، "مقایسه شاخص های RDI و SPI برای تحلیل خشکسالی در مقیاس ایستگاهی با تکیه بر خشکسالی کشاورزی (مطالعه موردی: قزوین و تاکستان)"، فصلنامه علمی- پژوهشی مهندسی آبیاری و آب، 1391، 9 (3)، 122- 111.
معینی فر س، اسدی م ا، ملکی نژاد ح، طالبی ع، "تعیین توزیع آماری مناسب برای محاسبه شاخص RDI در مناطق خشک (مطالعه موردی: ایران مرکزی)"، نشریه علمی خشک بوم، 1400، 11(1)، 121- 105.
رضازاده جودی ع، ستاری م ت، "تخمین عمق چاله آبشستگی پایه پل در سازه های آبی با روش رگرسیون فرایند گاوسی"، مجله تحقیقات کاربردی مهندسی سازه های آبیاری و زهکشی، 1394، 65 (16)، 36- 19.
میرعباسی نجف آبادی ر، احمدی ف، عاشوری م، ناظری تهرودی م، "تحلیل خشکسالی های شمال شرق ایران با استفاده از شاخص کمبود توأم (JDI) "، اکوهیدرولوژی، 1396، 4 (2)، 585- 573.
فاطمی م، رحیمیان م. ح، اکرامی م، برخورداری ج، "تحلیل فضایی نمایه خشکسالی اجمالی (RDI) در ایران مرکزی (مطالعه موردی: استان یزد)"، نشریه علمی- پژوهشی مهندسی آبیاری و آب ایران، 1398، 36 (9)، 167-160.
Beyaztas U, Yaseen ZM, “Drought interval simulation using functional data analysis”, Journal of Hydrology, 2019, 579, 124141. Ekmekcioğlu Ö, Başakın EE, Özger M, “Tree-based nonlinear ensemble technique to predict energy dissipation in stepped spillways”, European Journal of Environmental and Civil Engineering, 2020, 1-19. Granata F, Di Nunno F, Gargano R, de Marinis G, “Equivalent discharge coefficient of side weirs in circular channel- a lazy machine learning approach”, 2019, Water, 11 (11), 2406. Khadr M, “Forecasting of meteorological drought using Hidden Markov Model (case study: The upper Blue Nile river basin, Ethiopia)”, Ain Shams Engineering Journal, 2016, 7 (1), 47-56. Li Q, He P, He Y, Han X, Zeng T, Lu G, Wang H, “Investigation to the relation between meteorological drought and hydrological drought in the upper Shaying River Basin using wavelet analysis”, Atmospheric Research., 2020, 234, Madadgar S, Moradkhani H, “Spatio-temporal drought forecasting within Bayesian networks”, Journal of Hydrology, 2014, 512, 134-146. Madrigal J, Solera A, Suárez-Almiñana S, Paredes-Arquiola J, Andreu J, Sánchez-Quispe ST, “Skill assessment of a seasonal forecast model to predict drought events for water resource systems”, Journal of Hydrology, 2018, 564, 574-587. Mckee TB, Doesken NJ, Kleist J, “The relationship of drought frequency and duration to time scales”, AMS 8th Conference, Climatology, 1993, 179-184. Mehdizadeh S, Ahmadi F, Danandeh Mehr A, Jafar Sadegh Safari M, “Drought modeling using classic time series and hybrid wavelet-gene expression programming models”, Journal of Hydrology, 2020. doi:https://doi.org/10.1016/j.jhydrol.2020.125017 Mishra A, Singh VP, “A review of drought concepts”, Journal of Hydrology, 2010, 391, 202-216. Palmer WC, “Meteorological Drought US Department of Commerce”, Weather Bureau, Washington, DC, 1965. Tsakiris G, Pangalou D, Vangelis H, “Regional drought assessment based on the reconnaissance drought index (RDI)”, Water Resource Management, 2007, 21, 821-833. Vicente-Serrano SM, Beguería S, López-Moreno JI, “A multi scalar drought index sensitive to global warming: the standardized precipitation evapotranspiration index”, Journal of Climatology, 2010, 23, 1696-1718. Wilhite DA, Glantz MH, “Understanding: the drought phenomenon”, The Role of Definitions Water, 1985, 10, 111-120. | ||
|
آمار تعداد مشاهده مقاله: 277 تعداد دریافت فایل اصل مقاله: 119 |
||
