تعداد نشریات | 30 |
تعداد شمارهها | 956 |
تعداد مقالات | 8,322 |
تعداد مشاهده مقاله | 8,752,904 |
تعداد دریافت فایل اصل مقاله | 6,923,114 |
تحلیل منطقهای سیلاب با مقایسه مدلهای الگوریتم درخت تصمیمگیری M5 و رگرسیونی | ||
علوم و مهندسی آبیاری | ||
مقاله 13، دوره 40، شماره 4، بهمن 1396، صفحه 183-195 اصل مقاله (1016.33 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22055/jise.2018.13430 | ||
نویسندگان | ||
حسن اسمعیلی گیساوندانی1؛ علی محمد آخوندعلی* 2؛ حیدر زارعی3؛ مهرداد تقیان4 | ||
1دانشجوی کارشناسی ارشد هیدرولوژی ومنابع آب دانشکده علوم و مهندسی آب دانشگاه شهید چمران اهواز. | ||
2استاد تمام، عضو هیئت علمی دانشکده علوم و مهندسی آب دانشگاه شهید چمران اهواز | ||
3استادیار، عضو هیئت علمی دانشکده علوم و مهندسی آب دانشگاه شهید چمران اهواز | ||
4استادیار، عضو هیئت علمی دانشگاه کشاورزی و منابع طبیعی رامین | ||
چکیده | ||
ارزیابیفراوانیسیلابدرحوضههایفاقدایستگاههای اندازهگیری،معمولاًتوسطایجادروابطمناسبآماری(مدلها)بینسیلابوویژگیهایفیزیکیحوضهانجام میگیرد. تاکنونمعادلههای متعددیدرزمینهبرآورد دبیسیلاب در مناطق مختلف ارایه شده ولی باتوجهبه پیچیدگیاینپدیده،روابط موجودنتوانستهانددبی سیلاب طراحی رابادقتمناسبشبیهسازیکنند. برهمیناساسدراین پژوهش علاوه بر روشرگرسیونی که در گذشته استفاده میشد از مدل درخت تصمیمگیری M5استفاده شدهاست. روشهای مختلف دادهکاوی در علوم آب به دلیل دقت بالا آن گسترش فراوانی یافتهاست. مشخصات فیزیوگرافی حوضه توسط نرمافزار Arc GIS محاسبه شد. سپس کلیه پارامترهای فیزیوگرافی به همراه دوره بازگشت به عنوان دادههای ورودی الگوریتم M5 و رگرسیونخطی لحاظ شد. نتایج حاصل از بررسی آمارههای صحتسنجی نشان داد بر اساس ضریب همبستگی بین آمار برآورد شده و مشاهداتی، همچنینبراساس معیارهای جذر میانگین مربعات خطا و میانگین مطلق خطا، الگوریتم M5 عملکرد بهتری نسبت به روش رگرسیون در برآورد دبیسیلاب دارد. | ||
کلیدواژهها | ||
تحلیل منطقهای سیلاب؛ دبی سیلاب؛ درخت تصمیم؛ الگوریتم M5؛ مدل رگرسیون | ||
مراجع | ||
1-البرزی، م. 1381. آشنایی با شبکه های عصبی مصنوعی، انتشارات دانشگاه صنعتی امیر کبیر. 137 صفحه.
2-بینام. 1384. اطلس ملی منابع آب ایران. انتشارات معاونت استفاده و مدیریت منابع آب ایران.
3-ثروتی، م. ع. قنبری، 1386. برآورد سیلاب در حوضه رودخانه وربند لارستان. فصلنامه جغرافیایی سرزمین، علمی .14(4) 74-55.
4-رسولزاده، ع، آذرتاج، الف. و پ. فرضی. 1394. ایجاد و بررسی مدل های مختلف تحلیل منطقه ای تناوب سیلاب تابعی از دوره بازگشت(مطالعه موردی: استان اردبیل). نشریه پژوهش های حفاظت آب و خاک، 23(4): 268-261.
5-سلیمانی، ک و ا. یوسفی. 1380. بررسی نقش عوامل فیزیوگرافیک حوضه بر دبی های حداکثر در زیر حوضههای گرگان رود. مجله علوم کشاورزی و منابع طبیعی. (4)171-164.
6-شادمانی، م، معروفی، ص. و ک. محمدی. 1390. مدلسازی منطقهای دبی سیلابی در استان همدان با استفاده از شبکه عصبی مصنوعی. مجله علوم کشاورزی و منابع طبیعی گرگان ، 18(4). 21-42
7-شقیعی، م. شیرزاد، م. ن. نیک نیا،1386. تحلیل منطقه ای سیلاب توسط شبکه های عصبی مصنوعی( مطالعه موردی: حوضه ماسال استان گیلان). دومین کنفرانس مدیریت منابع آب، گیلان.
8-علیزاده، الف. 1392. هیدرولوژی کاربردی. انتشارات دانشگاه فردوسی مشهد.
9-هاشمی،1382. هیدرولوژی مهندسی. انتشارات شعرا، چاپ اول.
10.-Aziz.K, Rahman. A , Fang.G,Shrestha.S, (2014) Application of artificial neural networks in regional flood frequency analysis: a case study for Australia, 28: 541-554
11-Bhattacharya, B. and D.P. Solomatine. 2005. Neural networks and M5 model trees in modelling water level–discharge relationship Journal of Neurocomputing, 63(1): 407-412.
12-Boughton, W.C.1984. Flood freuency characteristics of some Arizona watersheds. Water Resources Bulletin 20(5): 761-769.
13- Chavoshi, S. and Eslamian, S.S., 1999. Regional flood frequency analysis in Zayandeh-Roud watershed using the Hybrid method. JWSS-Isfahan University of Technology, 3(3), pp.1-12.
14-Chiari, F et al. 2000; Predidtion of the Hydrologic Behavior of watershed using artificial neural network and Geographic information system. IEEE.1:382-386.
15-Dawson, C.W. Abrahart, R.J. Shamseldin, A.Y. and Wilby, R.L. 2006. Flood estimation at ungauged sites using artificial neural networks. Journal of Hydrology. 319:4. p 391-409.
16-Dayhoff, J.E. 1990. Neural Network Principles. Prentice-Hall International. U.S.A. 197 pp.
17-Dibike,Y.B. Solomatine,D. P. 2001. River flow forecasting using artificial neural networks. Physics and Chemistry of the Earth, [Journal]. - [s.l.] : Hydrology, Oceans and Atmosphere,. - 1 : Vol. 26. - pp. 1-7.
18- Dimitri, P. Solomatine and Yunpeng Xue. 2004.” M5 Model Trees and Neural Networks: Application to Flood Forecasting in the Upper Reach of the Huai River in China”, Journal of Hydrologic Engineering, Vol. 9, No. 6, P 491-591
19-Etemad-Shahidi, A. and L. Bonakdar. 2009. Design of rubble-mound breakwaters using M5′ machine learning method. Journal of Applied Ocean Research. 31(3): 197-201.
20-Etemad-Shahidi, A. and J. Mahjoobi. 2009. Comparison between M5′ model tree and neural networks for prediction of significant wave height in Lake Superior. Journal of Ocean Engineering. 36(15): 1175-1181.
21-Fausett, L. 1994. Fundamentals of neural networks architectures algorithms and applications. Prentice-Hall Inc. New Jersey. 476 pp.
22-Heinz, D.F. and J.R. Stedinger . 1998. Using regional regression within index flood procedures and an empirical Bayesian estimator. Journal of Hydrology No.210. P 128-145.
23-Mehmed, K. 2003. Data Mining: Concepts, Models, Methods, and Algorithms. Journal of IEEE Computer Society, IEEE Press.
24-Mitchell, T.M. 1997. Machine Learning McGrow-Hill.
25-Nassajian Zavareh M.H., Vafakhah, M., and Telvari, A.R. 2011. Regional Flood Frequency Analysis in the Part of Large Central Watershed of Iran. Watershed Management Science and Engineering.
26-Nourani V. M. Komasi. 2013. A geomorphology-based ANFIS model for multi-station modeling of rainfall-runoff process. Journal of Hydrology, p. 41-55.
27-Kurtulus, B. and M. Razack. 2010. Modeling daily discharge responses of a large karstic aquifer using soft computing methods: artificial neural network and neurofuzzy. Journal of Hydrology, 381: 101-111.
28-Quinlan, J.R. 1992. Learning with continuous classe. Paper presented at the Proceedings of the 5th Australian joint Conference on Artificial Intelligence, Hobart, Tasmania. 343-348.
29- Riad, S., and Mania, J. 2004. Rainfall Runoff Model Using an Artificial Neural Network Approach, Mathematical and Computer Modeling, 40: 839-846
30- Ross, T.J. 1995. Fuzzy logic with engineering application. McGraw Hill Inc. USA. p:585.
31-Sadheer.K.P,Gosain.A.K,Ramassastri.K.S. 2002. A data algorithm for consrusting artificial neural network rainfall-runoff models. Journal of Hydrology. 128(16):1325-1330.
32- Tabari, H., Marofi, S., and Savziparvar, A. 2010. “Estimation of daily pan evaporation using artificial neural networks.
33-Wang, Y. and I.H. Witten. 1997. Induction of model trees for predicting continuous lasses. In Proceedings of the Poster Papers of the European Conference on Machine Learning, University of Economics. Faculty of Informatics and Statistics, Prague.
34-Webster, R. and M.A. Oliver. 2001. Geostatistics for Environmental Scientists. John Wiley and Sons, New York.
35-Zare Abyaneh, H. and M. Bayat Varkeshi. 2011. Evaluation of artificial intelligent and empirical models in estimation of annual runoff. Journal of Water and Soil. 25(2): 365-379.
36-Zhang, D. and J.P. Tsai. 2007. Advances in Machine Learning Applications in Software Engineering, Idea Group Inc. | ||
آمار تعداد مشاهده مقاله: 914 تعداد دریافت فایل اصل مقاله: 1,295 |