بار رسوب جریان، شاخص مفیدی در پیش‌بینی فرسایش خاک در حوزه‌های آبخیز است؛ بنابراین تدوین مدلی برای برآورد بار رسوب می‌تواند در مدیریت و اجرای پروژه‌های آبخیزداری و مهندسی رودخانه مفید باشد. در این پژوهش روش دسته‌بندی داده‌ها به‌عنوان راه‌کاری برای افزایش دقت شبکه عصبی مصنوعی در تدوین مدل برآورد رسوب معلق بررسی شد. بدین منظور، میزان آورد رسوبات معلق رودخانه‌های خلیفه‌ترخان و چهل‌گزی در حوضۀ قشلاق...

به دست آوردن ارتباط بین بارش و رواناب یکی از مهمترین مسائل برای مهندسین و هیدرولوژیست ها است. جهت تصمیم گیری های هیدرولوژیکی و مدیریت منابع آب یک حوزه، دانستن رابطه بارش – رواناب لازم و ضروری می باشد. این روابط غیر خطی و بسیار پیچیده می باشند. اگرچه رواناب وابستگی زیادی به میزان بارش دارد اما به فاکتور های متعددی همچون مشخصات حوضه آبخیز، تبخیر، دمای بیشینه ، دمای کمینه، مدت بارش نیز بستگی دارد....

در پژوهش حاضر ابتدا مقایسه ای بین عملکرد مدل های گردش عمومی جو (gcm) در شبیه سازی پارامتر های اقلیمی دمای میانگین و بارش صورت گرفت. در این مرحله عملکرد 6 مدل گردش عمومی جو به نام های hadcm3، cgcm3، csiromk3 (از مجموعه مدل های ar4) و cgcm1، gfdl30، ncarpcm (از مجموعه مدل های atr) در شبیه سازی پارامتر های اقلیمی دمای میانگین و بارش حوزه سزار با استفاده از شبکه عصبی مصنوعی (ann) مورد ارزیابی قرار ...

یکی از جنبه های حائز اهمیت در مدیریت محیط در ژئومورفولوژی کاربردی حل مشکل برآورد رسوب یک سیستم رودخانه ای می‏باشد. هدف این مطالعه ارزیابی عملکرد مقایسه ای دونوع شبکه عصبی مصنوعی (مدل ژئومورفولوژیکی و مدل غیر ژئومورفولوژیکی) و دو نوع مدل رگرسیونی (مدل توانی ومدل غیر خطی چندگانه) برای پیش بینی بار رسوب معلق حوضه اسکندری در حوضه آبریز زاینده رود می‏باشد. مدل‏ها براساس آمار 104 حادثه وقوع همزمان ثب...

با توجه به رشد روز افزون جمعیت جهان، افزایش مصرف سرانه آّب، کمبود آب شیرین قابل استحصال، مسئله سیل به عنوان یکی از پدیده های ویرانگر و غیره، ضرورت پیش بینی دقیق رواناب حاصل از بارش، نقش اساسی در برنامه ریزی و مدیریت و بهره برداری بهینه و پایدار آنها و نهایتاً در پیش بینی سیلاب ایفا می کند. در زمینه پیش بینی عناصر اقلیمی تا کنون روش های مختلفی ارائه شده است. امروزه با توجه به پیشرفت علومی چون روش ...

برآورد، پیش­بینی و مدیریت رواناب همواره مورد توجه پژوهشگران بوده است؛ لذا با به کارگیری روشهای متداول و مرسوم هر دوره، اقدام به برآورد این پدیده به ظاهر زیانبار نموده اند که متأسفانه به دلیل پیچیدگی رابطه­ی بین بارش و رواناب، و غیر خطی بودن این رابطه، نتایج خیلی دقیقی را به دست نمی­دادند. امروزه، پیشرفت علم و توسعه­ی روشهای نوین در همه­ی ابعاد علمی، امیدواری خوبی را در زمینه­ی شناخت و حل چنین ر...

لزومِ پیشبینى بده رودخانه در کارهاى عمرانى، برنامهریزى براى استفادة بهینه از مخازن سدها، ساماندهىِ رودخانهو هشدار سیل، کاملاً احساس مىشود. در این راستا مسئلۀ بارش- رواناب بیشترین توجه مدلسازهای شبکههای عصبی2 برای پیشبینی بارش- MLP مصنوعی 1 را به خود معطوف کرده است. در این تحقیق از شبکههای عصبی چند لایهرواناب حوضه آبریز برفگیر لیقوانچای واقع در استان آذربایجان شرقی استفاده شده است. اطلاعات این حوضه...

چکیده ندارد.

جهت مدیریت مناسب در یک حوضه هیدرولیکی نیاز به شناخت کامل آن می باشد . می توان گفت مهمترین بخش از این شناخت مربوط به ارائه مدلی جهت معرفی رواناب آن حوضه می باشد . رواناب به علت نیاز به فاکتورهای اقلیمی مختلف و اثر متقابل این فاکتورها بر هم دیگر یک پدیده ی غیرخطی و پیچیده است و نمی توان با روش های خطی مدل مناسبی استخراج نمود . لذا در این تحقیق از روش های غیرخطی جهت مدل سازی استفاده خواهیم کرد . ی...

سیل یکی از پدیده­های ویرانگر طبیعی است که پیش­بینی آن از اهمیت بالایی برخوردار است .فرآیند بارش- رواناب و ایجاد سیلاب پدیده­های فیزیکی هستند که بررسی آنها به سبب  تاثیرپذیری از پارامترهای مختلف، دشوار می­باشد. تاکنون روش­های مختلفی برای تحلیل این پدیده­ها ارایه شده است. پژوهش حاضر با هدف بررسی کارآمدی شبکه­های عصبی مصنوعی در شبیه­سازی فرآیند بارش- رواناب با دخالت دادن ارتفاع آب معادل برف در حوز...