این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
آبیاری و زهکشی، جلد ۱۰، شماره ۴، صفحات ۴۷۹-۴۸۸
عنوان فارسی پیش‌بینی جریان روزانه رودخانه با استفاده از مدل‌های داده محور
چکیده فارسی مقاله پیش­بینی صحیح جریان روزانه رودخانه یک ابزار مناسب برای برنامه­ریزی و مدیریت منابع آب سطحی می­باشد. به کارگیری مدل­هایی مانند مدل درختی M5 و برنامه­ریزی بیان ژن (GEP) که معادلات صریحی را برای پیش­بینی ارایه می­کنند موجب افزایش کارایی مدل­های پیش­بینی می­شود. در این مطالعه جهت پیش‌بینی دبی جریان روزانه رودخانه، حوضه آب­ریزگالیکش از مناطق سیل‌خیز استان گلستان به عنوان منطقه مطالعاتی استفاده شد. داده‌های بارش و دبی جریان روزانه ایستگاه‌های هواشناسی و هیدرومتری گالیکش در یک دوره آماری 26 ساله (1388-1363)، استفاده و متغیرهای مستقلی از بارش و دبی جریان روزانه یک تا پنج گام زمانی قبل تشکیل شد و بر اساس آن­ها پیش­بینی دبی جریان روزانه با سه مدل درختی M5 و برنامه­ریزی بیان ژن و مدل شبکه عصبی مصنوعی پرسپترون انجام شد. نتایج نشان داد که هر سه مدل دارای کارایی مناسب می­باشند و هم­چنین میزان جریان را بیش­تر از مقادیر مشاهداتی برآورد می­کنند. مقایسه نتایج مدل­های مختلف نشان­دهنده برتری نسبی مدل درختی M5 نسبت به مدل­های دیگر می­باشد. در حالت کلی می­توان گفت که هر سه روش مذکور ضمن رقابت با یکدیگر نتایج نسبتاً دقیقی را جهت پیش­بینی جریان روزانه در منطقه مورد نظر ارایه می­کنند ولی به دلیل ارایه روابط خطی ساده و قابل فهم توسط مدل درختی M5، این روش می­تواند به عنوان روشی کاربردی و جایگزین برای پیش­بینی جریان روزانه مورد توجه قرار گیرد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Prediction of Daily Stream-flow Using Data Driven Models
چکیده انگلیسی مقاله Accurate prediction of river daily discharge is a suitable tool for water resources planning and management. Using models that present explicit equation, such as M5 model trees and Genetic expression programming, causes increase efficiency of these models. In this study, the Galikesh basin as one of most flood prone basins in Gloestan Province is considered for the prediction of river daily discharge. Data series used in this study are long term 26 years daily rainfall and river discharge series belong to Galikesh meteorology and hydrometry station. Daily rainfall and river discharge data from 1 to 5 days ahead are used as inputs for prediction by M5 model trees, genetic expression programming and artificial neural network models. The results indicate very good efficiency of the investigated models beside overestimation of the models to predict daily river discharge. Comparison of results of different models leads to selection of M5 model trees as best model among investigated models. 
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله میثم سالاری‌جزی |
استادیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

خلیل قربانی |
استادیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

الهه سهرابیان |
دانش آموخته کارشناسی ارشد مهندسی منابع آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

محمد عبدالحسینی |
استادیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

نشانی اینترنتی http://idj.iaid.ir/article_55402_b51989f71d0732d150680a9dfb3e950b.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