براورد رواناب در حوضه های آبخیز، اهمیت زیادی در مدیریت منابع آب دارد. هدف پژوهش حاضر، توسعه مدل بارش – رواناب و تعیین موثرترین پارامترهای تولید رواناب با استفاده از روش های رگرسیون چند متغیره و شبکه عصبی مصنوعی در پلات های آزمایشی پایگاه تحقیقاتی حفاظت خاک سنگانه در استان خراسان رضوی بوده است. بدین منظور از داده های بارش – رواناب 72 رخداد بارندگی در 32 پلات آزمایشی استفاده شده است. سپس روابط رگ...

هدف از این تحقیق بررسی توانایی سناریوهای مختلف شبکه های عصبی شامل شبکه های عصبی پرسپترون چند لایه(mlp) وشبکه های عصبی با پایه شعاعی(rbf) در مدل سازی فرآیند بارش- رواناب در مقیاس روزانه، که بطور عمده برای درک کنترل و مدیریت منابع آب مورد نیاز هستند، می باشد. تبدیل بارش- رواناب به علت تغییرات شدید زمانی و مکانی آن،یکی از پیچیده ترین مسائل در طبیعت می باشند، و وجود روابط قوی و غیرخطی میان متغیرها ...

مدلسازی بارش رواناب از مسائل اساسی در برنامه ریزی و مدیریت منابع آب می باشد. پیش بینی بارش رواناب مسئله ای پیچیده بدلیل روابط غیرخطی بین متغیرهای تاثیرگذار در آن می باشد. هدف از این تحقیق، مدلسازی فرآیند بارش رواناب با استفاده از شبکه عصبی می باشد. برای این منظور عملکرد دو نوع شبکه عصبی منفرد و یکپارچه جهت پیشبینی رواناب یا دبی جریان روزانه و ماهانه مورد بررسی و مقایسه قرار گرفت

فرآیند بارش-رواناب فرآیندی غیرخطی بوده و از حیث زمانی و مکانی تصادفی می باشد و تشریح آن با مدل های ساده به راحتی امکان پذیر نیست. بررسی تحقیقات انجام شده نشان می دهد که مدل های مبتنی بر هوش مصنوعی در مدل سازی سامانه های پیچیده عملکرد خوبی دارند. در این تحقیق ضمن بررسی و تعیین مهمترین مولفه های موثر در پیش بینی دقیق میزان رواناب رودخانه خرم آباد، عملکرد شبکه عصبی مصنوعی و سامانه استنتاج تطبیقی ع...

درمدل هیدروگراف واحد لحظه ای ژئومورفولوژی از شبکه زهکشی حوضه آبریز و قوانین هورتون استفاده می‌گردد. این مدل یک رهیافت ساده مدل‌سازی رواناب-بارندگی برای حوضه‌های فاقد آمار می‌باشد. کارشناسان هیدرولوژی همواره سعی کرده اند رابطه‌ای بین پاسخ هیدرولوژیکی حوضه و مشخصات توپوگرافی حوضه ها بر قرار نمایند.  در این تحقیق از سه مدل بارندگی- رواناب شامل  مدل جعبه سیاه مبتنی بر مشخصات ژئومورفولوژی (GANN) و  ...

درمدل هیدروگراف واحد لحظه ای ژئومورفولوژی از شبکه زهکشی حوضه آبریز و قوانین هورتون استفاده می گردد. این مدل یک رهیافت ساده مدل سازی رواناب-بارندگی برای حوضه های فاقد آمار می باشد. کارشناسان هیدرولوژی همواره سعی کرده اند رابطه ای بین پاسخ هیدرولوژیکی حوضه و مشخصات توپوگرافی حوضه ها بر قرار نمایند.  در این تحقیق از سه مدل بارندگی- رواناب شامل  مدل جعبه سیاه مبتنی بر مشخصات ژئومورفولوژی (gann) و  ...

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...

در سال‌های اخیر، عدم کنترل به موقع روانابِ حاصل از بارش‌های غیر مترقبه، عامل تهدید کننده‌ای در وقوع سیل محسوب می‌شود. پیش‌بینی 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، پیش‌بینی رواناب امری اجتناب ناپذیر به نظر می‌رسد زیرا با اطلاع از میزان و شدّت بارندگی، می‌توان امکان وقوع سیل را پیش‌بینی و اقدامات لازم را به عمل آورد...

فرآیند بارش - رواناب و ایجاد سیلاب از پدیده های هیدرولوژیکی هستند که بررسی آنها به سبب تأثیرپذیری از پارامترهای مختلف، دشوار می باشد. تاکنون روش ها و الگو های مختلفی برای تحلیل این پدیده ها ارائه شده است. از این رو هدف این پژوهش ارزیابی شبکه عصبی-فازی تطبیقی در پیش بینی ضریب رواناب رگبار است. به این منظور حوزه آبخیز بار اریه نیشابور انتخاب و داده های مربوط به 33 واقعه در بین سال های آماری 1331 ...

به¬جرآت می¬توان گفت بارش¬های جوی مهمترین منبع تامین آب شیرین و رواناب های حاصل از این بارش¬ها اصلی¬ترین شکل دریافت آب، در بیشتر مناطق دنیا می¬باشند. لذا برآورد حجم رواناب حاصل از بارندگی جهت بکارگیری روشهای جمع آوری و مهار آبهای سطحی از نظر تأمین آب، روز به روز اهمیت بیشتری پیدا می کند. در دهه¬های اخیر نیاز به پیش¬بینی دقیق و سریع رواناب از روی آمار بارندگی به علت افزایش تعداد سیلاب ها و خسارات...