در این پروژه به منظور شبیه سازی بارش-رواناب از دو مدل ihacres و شبکه عصبی مصنوعی (ann ) استفاده شده است. مدل مفهومیihacres، که مبتنی بر داده های بارش و دما است، از دو بخش تشکیل شده است. این مدل در گام زمانی روزانه عمل می کند و مولفه های کند و تند جریان را (یعنی رواناب سطحی و جریان پایه) محاسبه می کند. هنگامی که به دلیل ضعف سطح اطلاعات موجود امکان درک مفهوم پدیده های فیزیکی فراهم نباشد و یا به ط...

ضریب جریان حوضه تابع پارامترهای مختلفی چون خصوصیات هندسی حوضه، خصوصیات خاک‌های حوضه، پوشش گیاهی، زمین شناسی، بار رسوب و عوامل انسانی است که هر کدام از این عوامل می‌توانند بر میزان حجم رواناب خروجی از نقطه پایاب حوضه تأثیر بگذارند. با این حال بارندگی عمده‌ترین عاملی است که بر روی رواناب موثر است. ضریب رواناب در حوضه‌های بزرگ با استفاده از اطلاعات بارندگی و اطلاعات جریان ثبت شده توسط ایستگاه‌های ...

ایجاد رواناب در سطح زمین مشکلاتی مانند فرسایش خاک، وقوع سیلاب، کاهش حاصلخیزی خاک و پوشش گیاهی و حتی کاهش منابع آب زیر زمینی را در بر دارد که عواملی مانند شرایط اقلیمی ، خاک، شرایط توپوگرافی زمین و پوشش سطح خاک در آن تاثیر دارند. در این تحقیق سطح حوضه آبخیز کسیلیان به مساحت 68 کیلومتر مربع که از نظر پتانسیل سیل خیزی وضعیت مناسبی نداشته مورد مطالعه قرار گرفته است. روش تحقیق بدین ترتیب بوده است که...

در مدلسازی بارش-رواناب مدل ترکیبی شبکه عصبی-موجک روشی سودمند است که از تبدیل موجک برای بدست آوردن فرکانس های مختلف فرآیند و از شبکه عصبی مصنوعی (ann) برای پیش بینی دبی رواناب استفاده میکند. یکی از گامهای مهم در هر مدلی که بر پایه ann است، تعیین متغیرهای ورودی مهم در فرایند مورد مطالعه است. درغیر این صورت مدل می تواند دچار بیش سازگاری (over fitting)، یادگیری دشوارتر و عملکرد ضعیف شبکه شود. این پ...

چکیده با افزایش جمعیت و فعالیت‌های بشری و در نتیجه افزایش تقاضای آب، دسترسی به آب بحرانی ‌شده و ارزیابی و برنامه‌ریزی منابع آب برای استفاده پایدار پیچیده می‌گردد. بررسی قوانین دینامیکی و طولانی مدت رواناب اهمیت و ارزش عملی برای توسعه­ی پایدار و برنامه­ریزی منابع آب دارد. از سوی دیگر در رابطه با رواناب، روش‌های مرسوم اندازه‌گیری آن بسیار پرهزینه، وقت‌گیر و مشکل هستند. هدف از پژوهش حاضر ارزیابی ...

نقش و اهمیت فرآیند بارش-رواناب در مطالعات منابع آب موجب شده که این فرآیند از دیر باز مورد توجه متخصصین قرار گیرد. از این رو روش های متعددی همچون شبکه های عصبی مصنوعی، سیستم های فازی و نرو فازی، آنالیز موجک، الگوریتم ژنتیک، برنامه‌ریزی ژنتیک و معادلات دیفرانسیل تصادفی برای مدلسازی فرآیند بارش-رواناب توسعه یافته است. برنامه ریزی ژنتیک علاوه بر توانایی استخراج رابطه‌ی بین متغیّرهای ورودی و خروجی به...

مدلسازی بارش- رواناب یک فرآیند ضروری و پیچیده می­باشد که در بهره­برداری مناسب از مخازن و مدیریت و برنامه­ریزی صحیح منابع آب نقش عمده­ای دارد. مدلسازی این فرآیند با استفاده از روش­های مختلفی امکانپذیر است. از نظر تئوری، در مدلسازی یک سیستم می­بایست روابط صریح بین متغیرهای ورودی و خروجی معلوم باشند. در حالیکه به علت معلوم نبودن روابط صریح بین متغیرها و عدم قطعیت­های ذاتی آنها، استخراج چنین مدلی ب...

با توجه به کمبود ایستگاههای آبسنجی در بیشتر حوضه های آبخیز کشور، توسعه­ی روشهایی که بتوانند آبدهی را در مقیاس زمانی روزانه براورد کنند، از موارد ضروری است که به بهبود اطلاعات مورد نیاز برای اهداف مدیریتی مرتبط با منابع آب منجر می گردد. این روشها معمولا از بارش به عنوان ورودی شبیه­های آبشناسی استفاده می کنند. جهت اندازه گیری بارش به عنوان متغیر اصلی در براورد رواناب، می توان از الگوریتم­های ماهو...

در سال های اخیر، عدم کنترل به موقع رواناب حاصل از بارش های غیر مترقبه، عامل تهدید کننده ای در وقوع سیل محسوب می شود. پیش بینی بارش در مدیریت و هشدار معضل سیل نقش مهمی بر عهده دارد. به منظور جلوگیری از خسارات ناشی از سیل و سعی در کنترل و مهار آن، پیش بینی رواناب امری اجتناب ناپذیر به نظر می رسد زیرا با اطلاع از میزان و شدّت بارندگی، می توان امکان وقوع سیل را پیش بینی و اقدامات لازم را به عمل آورد...

با توجه به تاثیر بارز روش تلفات نفوذ در عملکرد شبیه بارش-رواناب به منظور کاهش خطا و واریانس ویژگی­های سیلاب، و در پیامد آن، افزایش دقت و کارایی طراحی­های مبتنی بر خصوصیات استخراجی سیلاب حاصل از شبیه بارش-رواناب، نظیر حجم رواناب، بده‌ی اوج و زمان رسیدن به آن، عملکرد شبیه‌های نفوذ سازمان حفاظت خاک آمریکا، گرین و امپت، تلفات اولیه‌ی-مقدار ثابت، نسبت ثابت، نمایی و شبیه دربردارنده‌ی شرایط رطوبتی خاک...