این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات منابع آب ایران، جلد ۹، شماره ۱، صفحات ۹۶-۱۰۰
عنوان فارسی پیش‌بینی دبی اوج در نقاط پایین دست با استفاده از داده های ایستگاه‌های بالادست به کمک شبکه عصبی (مطالعه موردی: طالقان)
چکیده فارسی مقاله در برخی موارد ممکن است ایستگاه هیدرومتری پایین‌دست منطقه به دلایلی تخریب شده باشد و دانستن دبی در پایین‌دست منطقه ضرورت داشته باشد، در این مواقع می‌توان با استفاده از اطلاعات موجود و یا داده‌های ایستگاه‌های بالادست، دبی در ایستگاه پایین‌دست را پیش‌بینی کرد. در این تحقیق دبی اوج در ایستگاه گلینک واقع در خروجی حوزه آبخیز طالقان با استفاده از شبکه عصبی مصنوعی در دو حالت پیش‌بینی شده است. در حالت اول از آمار گذشته ایستگاه، شامل دبی‌های متوسط حداکثر روزانه و بارش‌های متناظر، یک روز و پنج روز قبل، مجموع بارندگی پنج روز و دمای میانگین ماهانه استفاده شد و در حالت دوم آمار فوق‌الذکر در واحدهای هیدرولوژیک گته‌ده، مهران، علیزان و جوستان و همچنین پارامترهای فیزیوگرافی مساحت، ارتفاع متوسط، طول آبراهه اصلی و شیب متوسط نیز به مدل افزوده شدند. نوع شبکه مورد استفاده شبکه عصبی پیشخور دو لایه با الگوریتم پس‌انتشار بود که داده‌ها طی سه مرحله آموزش، اعتبارسنجی و تست گردیدند. نتایج حاکی از آن است که پیش‌بینی دبی اوج با استفاده از ایستگاه‌های بالادست و پارامترهای فیزیوگرافی بهتر از پیش‌بینی دبی با استفاده از اطلاعات سال‌های قبل در پایین‌دست ایستگاه می‌باشد.
کلیدواژه‌های فارسی مقاله ایستگاه پائین دست، دبی اوج، شبکه عصبی، طالقان،
عنوان انگلیسی Peak Discharge forecast in the Downstream Station Using the Upstream Stations By Neural Network (Case Study: Taleghan)
چکیده انگلیسی مقاله In cases that the gauging station in the downstream is destroyed for some reasons, and it is necessary to know the stream flow in the downstream, it is possible to forecast stream flow in the downstream station using the available data in the upstream station. In this research, the peak discharge of Gelinak station has been forecasted at outlet of the Taleghan watershed using artificial neural network in two states. In the first state, historic data of the Gelinak station including the maximum daily mean discharges, corresponding rainfall, one day antecedent rainfall and five days antecedent rainfall, sum of the five days antecedent rainfall and monthly mean temperature. In the second state, these data for the hydrologic units of Gatehdeh, Mehran, Alizan, Joestan were extracted and the physiographic parameters area, average height, main waterway length, and the average river slope were added into the artificial Neural Network model. The model is feed forward with two layers and the back-propagation algorithm. Data were trained, validated, and tested in three stages. Results showed that the forecast of peak discharge using the upstream station and the physiographic parameters are better[A1] than the peak discharge forecast using data from the last year in the downstream station
کلیدواژه‌های انگلیسی مقاله Artificial neural network, Peak Discharge, Taleghan
نویسندگان مقاله مریم خسروی |
دانش آموخته کارشناسی ارشد آبخیزداری دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

علی سلاجقه |
دانشیار دانشکده منابع طبیعی دانشگاه تهران و عضو قطب علمی مدیریت پایدار حوزه های آبخیز، دانشگاه تهران, کرج, ایران.
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

نشانی اینترنتی http://www.iwrr.ir/article_17458_665e5ec800d1cb49257c30aea5cf62ae.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات