مدلبندی منطقه ای سیلاب با استفاده از روش رگرسیون و شبکه های عصبی مصنوعی (مطالعه موردی :غرب و جنوب حوزه دریاچه ارومیه)
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه ارومیه - دانشکده علوم کشاورزی
- نویسنده حمید لطفی
- استاد راهنما مجید منتصری
- سال انتشار 1392
چکیده
امروزه لزوم حفظ و نگهداری از منابع آبی و بهره برداری هر چه بیشتر و علمی تر از آنها در فصول بارندگی بویژه در سالهای پرآبی که آبهای سطحی و سیلاب افزایش می یابند امری مسلم وضروری است. بنابراین جهت جلوگیری از هدر رفتن و بلااستفاده ماندن آنها، تخریب سازه های هیدرولیکی و تلفات جانی ناشی از وقوع سیلاب های پیش بینی نشده، طرح های علمی و پیشرفته ای وجود دارد که با توجه به امکانات موجود منطقه ای، می توان نسبت به تخمین سیلاب های هر منطقه اقدام نمود. یکی از طرح های کاربردی که در این زمینه مطرح می باشد تحلیل منطقه ای سیلاب است. روش تحلیل منطقه ای سیلاب یکی از روش-های متداول برای مدلبندی منطقه ای سیلاب بوده که بجای استفاده از آمار یک ایستگاه ، آمار و ویژگی های مجموعه ای از ایستگاه-ها مورد استفاده قرار می گیرد. در تحقیق حاضر دو روش از روش های مختلف مدل بندی منطقه ای سیلاب شامل روش رگرسیونی از نوع چند متغیره غیر خطی و شبکه های عصبی مصنوعی از نوع mlp و rbf در منطقه جنوب و غرب حوضه آبریز دریاچه ارومیه ، با بهره گیری از آمار دبی سیلاب لحظه ای سالانه 28 ایستگاه آبسنجی و ویژه گی های فیزیوگرافی و اقلیمی آنها بکار گرفته شد. نتایج حاصل از مدلبندی با همه روش ها نشان داد که در نظر گرفتن حالت همگن بندی منطقه برای مدل بندی سیلاب نسبت به حالت تفکیک منطقه به دو حوضه غرب و جنوب بهتر می باشد. مدلبندی با استفاده از مدل رگرسیون غیر خطی q_tr=??tr?^? ، که به عنوان بهترین مدل در نواحی همگن انتخاب شده بود انجام گرفت، پس از مدلبندی و تعیین موثرترین متغیرهای فیزیوگرافی و اقلیمی، شبکه های عصبی مصنوعی با این متغیرها به عنوان ورودی، مورد آموزش قرار گرفت. با ارزیابی دبی های سیلابی مشاهده ای و محاسباتی حاصل از همه روش ها با بهره گیری از آماره ضریب همبستگی(r)، مجذور میانگین مربع خطا(rmse) و میانگین خطای مطلق(mae) ، مشخص گردید که مدل رگرسیون چند متغیره غیر خطی مناسب نبوده و دارای خطای زیادی می باشد و شبکه عصبی نوع mlp با تفاوت جزئی نسبت به شبکه عصبی rbf دارای نتیجه بهتری می باشد و شبکه عصبی rbf درصورت وجود تعداد متغیرهای زیاد نتایج بهتری از mlp دارد. ولی در کل شبکه عصبی mlp عملکرد بهتری نسبت به روش رگرسیونی و شبکه عصبی rbf نشان داد.
منابع مشابه
پیش‌بینی سیل با استفاده از شبکه عصبی مصنوعی و رگرسیون چندمتغیره غیرخطی (مطالعه موردی: طالقان)
با توجه به کمبود ایستگاه‌های اندازه‌گیری در کشور، لزوم استفاده از مدلهای تجربی برآورد دبی حداکثر لحظه‌ای بسیار ضروری است. در این پژوهش از دو مدل شبکه عصبی و رگرسیون چندمتغیره غیرخطی برای پیش‌بینی دبی اوج در حوزة آبخیز طالقان استفاده گردید. با استفاده از آمار دبی‌های متوسط حداکثر روزانه و بارش‌های متناظر، یک روز قبل و پنج روز قبل و مجموع بارندگی پنج روزه و همچنین دمای میانگین ماهانه در واحدهای...
متن کاملپیشبینی تراز آب دریاچه ارومیه با استفاده از روش‌های سری زمانی، شبکه عصبی مصنوعی و شبکه عصبی- موجکی
دریاچه ارومیه دومین دریاچه شور جهان است و با توجه به معیارهای اجتماعی- اقتصادی و زیست محیطی نقش مهمی در منطقه شمالغرب ایران دارد که در سالهای اخیر با مشکلاتی مواجه شده است و به دلیل خشکسالی، استفاده بیش از حد آبهای سطحی و ساخت سدها تراز سطح آب آن کاهش یافته است. یکی از فاکتورهای مهم که در مدیریت صحیح در هر زمینهای، تأثیر دارد، داشتن یک دید و نگرش مناسب از اتفاقات آینده در آن زمینه...
متن کاملپیش بینی سیلاب در زمان واقعی با استفاده از مدلهای رگرسیونی و شبکه های عصبی مصنوعی (مطالعه موردی)
متن کامل
پیش بینی سیل با استفاده از شبکه عصبی مصنوعی و رگرسیون چندمتغیره غیرخطی (مطالعه موردی: طالقان)
با توجه به کمبود ایستگاه های اندازه گیری در کشور، لزوم استفاده از مدل های تجربی برآورد دبی حداکثر لحظه ای بسیار ضروری است. در این پژوهش از دو مدل شبکه عصبی و رگرسیون چندمتغیره غیرخطی برای پیش بینی دبی اوج در حوزة آبخیز طالقان استفاده گردید. با استفاده از آمار دبی های متوسط حداکثر روزانه و بارش های متناظر، یک روز قبل و پنج روز قبل و مجموع بارندگی پنج روزه و همچنین دمای میانگین ماهانه در واحدهای ...
متن کاملبازسازی دبی روزانه با استفاده از روش های شبکه عصبی و فازی- عصبی(مطالعه موردی: سرشاخه های حوزه آبخیز کارون)
برای برآورد دبی روزانه در مدلهای هیدرولوژی نیاز به دبی‌های پیوسته در بازه زمانی روزانه هست. تعداد سالهای آماری متفاوت، نواقص آماری و خطای اندازه‌گیری باعث ایجاد سریهای زمانی با پایه زمانی غیرمشترک میگردد. بنابراین بازسازی دادههای دبی روزانه از اهمیت ویژهای برخوردار است. این تحقیق به‌منظور بازسازی دبی روزانه در یکی از سرشاخههای رودخانه کارون و در دو مرحله انجام گرفت. در هر دو مرحله تحقیق ...
متن کاملمنطقه بندی حوزه های آبخیز با به کارگیری نوعی از شبکه های عصبی مصنوعی به منظور تحلیل فراوانی منطقه ای سیلاب
Self-Organizing Feature Maps (SOFM) are a variety of artificial neural networks that their applications in the areas of pattern recognition and data clustering makes them noticeable tools to perform regional flood frequency analysis (RFFA). In this study, ability of Self-Organizing Feature Maps for regionalization of Sefidrood watershed in order to perform regional flood frequency analysis usin...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه ارومیه - دانشکده علوم کشاورزی
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023