مطالب مرتبط با کلید واژه " دبی جریان "


۱.

بررسی روند تغییرات آبدهی رودخانه های استان لرستان با استفاده از روشTFPW-MK

کلید واژه ها: رونددبی جریانخود همبستگیآزمون TFPW-MKرودخانه های لرستان

حوزه های تخصصی:
تعداد بازدید : ۱۹۸ تعداد دانلود : ۱۸۲
بررسی تغییرات آبدهی رودخانه ها به منظور مدیریت و برنامه ریزی منابع آب بسیار مهم می باشد. در تحقیق حاضر با توجه به اهمیت موضوع بررسی و شناخت روند تغییرات جریان در ایستگاه های هیدرومتری استان لرستان حوزه رودخانه دز در سه مقیاس ماهانه، فصلی و سالانه با استفاده از روش TFPW-MK مورد بررسی قرار گرفت. داده های مورد استفاده شامل داده های 25 ایستگاه هیدرومتری منتخب در دوره 40 ساله آماری(1388-1348) در محدوده مورد مطالعه می باشد. در این تحقیق ابتدا شیب خطی روند در داده های نمونه با استفاده از روش TSA تخمین و سپس با استفاده از روش TFPW اثر ضریب خودهمبستگی از داده ها حذف گردید و در نهایت روند تغییرات جریان با استفاده از آزمون من کندال(MK )مورد بررسی قرار گرفت. نتایج این تحقیق نشان می دهد که در اکثر ایستگاه ها (20 ایستگاه از 25 ایستگاه)، روند تغییرات جریان عمدتا نزولی بوده و در 40 سال گذشته کاهش میزان جریان در سطح 10 درصد معنی دار است.
۲.

مقایسه عملکرد مدل درختی M5 با مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان در استخراج منحنی تداوم جریان مطالعه موردی: ایستگاه خزانگاه رودخانه ارس

کلید واژه ها: تداوممقدار خطادبی جریانرودخانه ارسمدل های هوشمند

حوزه های تخصصی:
  1. جغرافیا جغرافیای طبیعی آب و هواشناسی
  2. جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۶۵ تعداد دانلود : ۴۷
یکی از مهم ترین و پرکاربردترین علائم پاسخ هیدرولوژیک حوزه، منحنی تداوم جریان است و در کاربرد های هیدرولوژیکی بی شماری برای آنالیز فراوانی جریان های کمینه و سیلاب مورد استفاده قرار می گیرد. برای نمایش محدوده کامل دبی رودخانه، از جریان های حداقل تا حداکثر سیلاب و منحنی تداوم جریان  (FDC) استفاده می شود؛ بنابراین استخراج دقیق این منحنی ها با حداقل خطا حائز اهمیت فراوانی است. در این مطالعه کارایی مدل درختی M5 در استخراج منحنی تداوم جریان در مقایسه با شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای ایستگاه خزانگاه رودخانه ارس واقع در استان آذربایجان شرقی بررسی شد. با توجه به نتایج به دست آمده در مدل درختی M5 ، ترکیب 80% داده ها برای آموزش و مابقی برای تست مدل، بهترین عملکرد را در ارائه منحنی تداوم جریان با 992/0 R 2= ، ( m 3/s )47/5 RMSE= و ( m 3/s ) 38/4 MAE= نشان داد . با بررسی نتایج مدل های مختلف شبکه عصبی ، بهترین مدل با 2 نرون برای لایه مخفی با مقادیر 997/0 R 2= ، ( m 3/s ) 91/3 RMSE= و ( m 3/s ) 30/3 MAE= به دست آمد . بررسی عملکرد کرنل RBF مدل ماشین بردار پشتیبان نشان داد که این مدل بهترین عملکرد را در شبیه سازی منحنی تداوم جریان داشت؛ به طوری که دارای حداقل مقدار مجذور میانگین مربع های خطا (( m 3/s ) 98/2 RMSE= )، بالاترین ضریب همبستگی (998/0 R 2= ) و کمترین مقدار خطای نسبی (( m 3/s ) 66/2 MAE= ) بود. مقایسه نتایج بین انواع مدل های هوشمند مورد بررسی، بیانگر این است که هر سه مدل در تخمین مقادیر دبی منحنی تداوم جریان عملکرد مناسبی دارند؛ اما مدل درختی M5 به علت سادگی محاسبات و ارائه روابط شده، به لحاظ کاربردی قابلیت بیشتری می تواند در استخراج منحنی تداوم داشته باشد.