سال 13، شماره 4 - ( زمستان 402 1402 )
جلد 13 شماره 4 صفحات 255-235 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
avazpour F, Hadian M R, Talebi A. Evaluating the Efficiency of Skew Correction Factors in Sediment Rating Curve and Comparison with Intelligent Models (Case Study: Jelogir Station, Khuzestan - Karkheh Catchment). E.E.R. 2023; 13 (4) :235-255
URL: http://magazine.hormozgan.ac.ir/article-1-780-fa.html
URL: http://magazine.hormozgan.ac.ir/article-1-780-fa.html
عوض پور فاطمه، هادیان محمدرضا، طالبی علی. ارزیابی کارایی ضرایب اصلاح اریب در روش منحنی سنجه رسوب و مقایسه با مدلهای هوشمند (ایستگاه جلوگیر خوزستان ـ حوضه کرخه). پژوهش هاي فرسايش محيطي. 1402; 13 (4) :235-255
گروه مهندسی عمران ـ آب و سازه‌های هیدرولیکی، دانشکده عمران، دانشگاه یزد، یزد ، mr_hadian@yazd.ac.ir
چکیده: (655 مشاهده)
برآورد مقدار رسوب در رودخانهها اهمیت زیادی دارد و متخصصان نیز همواره بدان توجه داشتهاند. منحنی سنجهرسوب (SRC)، از جمله روشهای مرسوم در برآورد میزان بار رسوبات معلق در حوضههای آبخیز است که رابطه بین دبی جریان و دبی رسوب را بیان میکند. با توجه به اهمیت این موضوع، در این پژوهش برای ارائه بهترین رابطه دبی رسوب ـ جریان در ایستگاه جلوگیر واقع بر رودخانه کرخه در استان خوزستان، دادههای دبی جریان و رسوب مربوط به سالهای 1350 تا 1397 تهیه و انواع منحنی سنجه شامل منحنی یک خطی، حد وسط، ماهانه، فصلی و چندخطی (دو خطی و سه خطی) ترسیم شد. همچنین در این پژوهش تلاش شد با استفاده از شاخص درصد بارش نرمال، دادهها در سه دسته خشک، نرمال و مرطوب، تفکیک و منحنی سنجه برای هر کدام ترسیم شود. در نهایت، مدل بهینه منحنی سنجهرسوب انتخاب و ضرایب اصلاحی شامل FAO، QMLE، Smearing، MVUE و (Beta) β بر روی مدل اجرا شد. با توجه به معیارهای ارزیابی RMSE، ME و P، رابطه به دست آمده برای تخمین رسوبات معلق، زمانی که دادهها به صورت ماهانه تفکیک شد، در ماه مرداد و با اعمال ضریب MVUE دقت بیشتری را به همراه داشت. در ادامه، نتایج به دست آمده از مدل آماری سنجهرسوب با مدلهای هوش مصنوعی شامل دو مدل شبکههای عصبی پرسپترون چندلایه (MLP) و پایه شعاعی (RBF) مقایسه شد. نتایج نشان داد که مدل شبکه عصبی نسبت به مدل رگرسیونی SRC، نتایج بهتری نشان میدهد. مدل پرسپترون چندلایه با مقدار R و RMSE به ترتیب برابر با 87/0 و 0712/0 نیز دقت خوبی نسبت به سایر مدلها دارد.
نوع مطالعه: مستخرج از پایان‌نامه / رساله / طرح پژوهشی |
موضوع مقاله:
مدلسازی و تحلیل زمانی و مکانی رخداد انواع مختلف فرسایش محیطی
دریافت: 1401/11/28 | انتشار: 1402/10/10
دریافت: 1401/11/28 | انتشار: 1402/10/10
فهرست منابع
1. Alvankar, S. R., & F. Nazari., (2007). Evaluation of Sediment Estimation from Hydrological Methods in Iran's Watersheds (Case Study, Minab watershed). The fifth Iranian hydraulic conference.(Inpersian)
2. Arab, K. M.; Varani, J.; & K. S. H. Hakim, 2004. The Validity of Extrapolation Methods in Estimation of Annual Mean Suspended Sediment Yield (17 hydrometric stations), Journal of Agricultural Science and Natural Resources, 11(3), 123-131.
3. Cohn, T. A., et al. 1989. Estimating Constituent Loads, Water resources research, 25(5), 937-942. [DOI:10.1029/WR025i005p00937]
4. Dastorani, M. T.; Azimi Fashi, KH.; & M. R. E., 2012. Estimation of Suspended Sediment Using Artificial Neural Network (Case Study: JamishanWatershed in Kermanshah), Watershed Management Research. (In persian)
5. Duan N., 1983. Smearing Estimate: A Nonparametric Retransformation Method, Journal of the American Statistical Association, 13(5), 605-10. [DOI:10.1080/01621459.1983.10478017]
6. Ferguson, R. I., 1987. Accuracy and Precision of Methods for Estimating River Loads, Earth Surface Processes and Landforms, 12(1), 95-104. [DOI:10.1002/esp.3290120111]
7. Harrington, S. T., & J. R. Harrington., (2013). An Assessment of the Suspended Sediment Rating Curve Approach for Load Estimation on the Rivers Bandon and Owenabue, Ireland, Geomorphology, 185, 27-38. [DOI:10.1016/j.geomorph.2012.12.002]
8. Hassanzadeh, H., 2016. Evaluation of Karkheh River Suspended Load by Use of Sediment Rating Curves and Determination of Sediment Yield of Annual Vary Seasons, Journal of Productivity and Development, 2(5), 100-10.
9. Hayatzade, M.; Chazgi, J.; & M. T. Dasturani, 2014. Evaluation of Sediment Estimation Using Rating Curve and Neural Network Methods by Combining the Morphological Parameters of the Basin (case study of Bagh Abbas basin), Journal of Agricultural Sciences and Techniques and Natural Resources, Water and Soil Sciences, [Downloaded from jstnar.iut.ac.ir on 2023-07-27]. .(In persian)
10. Heidarpour, M.; Fatahi, F.; Haghshenas, A.; & N. Kia, 2016. Evaluation of Different Methods of Sediment Rating Curve Development and Computer Simulation Models in Order to Estimation of the Sediment Load of the Mazandaran Watershed, Irrigation Science and Engineering, 40-3 .(In persian)
11. Iadanza, C., & F. Napolitano., (2006). Sediment Transport Time Series in the Tiber River. Physics and Chemistry of the Earth, Parts A/B/C. 31(18), 1212-1227. [DOI:10.1016/j.pce.2006.05.005]
12. Ildermi, A. R., & M. M. P. Moghadam., (2021). Optimization of the Most Suitable Model for Estimating the Suspended Sediment of the Abshine River in hamedan. journal of Hydrogeomorphology. 27, 37-57. (In persian)
13. Kao, S. J.; Lee, T. Y.; & J. D. Milliman, 2005. Calculating Highly Fluctuated Suspended Sediment Fluxes From Mountainous Rivers in Taiwan, Terrestrial Atmospheric and Oceanic Sciences, 16(3), 653. [DOI:10.3319/TAO.2005.16.3.653(T)]
14. Karami, M.; Karami, M.; & E. Darvishi, 2023. Estimation of Suspended Sediment Load values of The River Using Artificial Intelligence Methods (Case study of Maymeh River), Iranian Journal of Irrigation and Water Engineering, 52(4). (In persian)
15. Kavian, A.; Mardian, M.; Darabi, H.; & A. Safari, 2015. Comparison of Correction Coefficients of Sediment Rating Equations in Semi-Arid and Semi-Humid Rivers, Watershed Promotion and Development Journal, 2(7), 15-19. (In persian)
16. Khanchoul, K.; Altschul, R.; & F. Assassi, 2009. Estimating Suspended Sediment Yield, Sedimentation Controls and Impacts in the Mellah Catchment of Northern Algeria, Arab. J. Geosci, 2(3), 257-271. [DOI:10.1007/s12517-009-0040-6]
17. Kia, E., & A. Emadi., (2013). Comparison of statistical methods for long-term suspended sediment yield estimation (Case Study: Babolrood River).
18. Mahdavi, M., & G. Mortezaee., (2000). Investigating the Effect of the Effective Factors on the Sediment Rating Curve. in The Second National Conference on Erosion and Sedimentation. (In persian)
19. Mardian, M.; Solaimani, A.; Shahedi, K.; & Kavian, G. 2016. Analysis of Temporal Variations for the Suspended Load Transport in the Marboreh River, Darreh-Takht, Lorestan Province, Iran, Watershed Research, 13, 60-72. (In persian)
20. Mosafai, J., & A. Salehpour., (2018). Evaluating the Efficiency of Different Sediment Gauge Curve Models, in The Third National Conference on Soil and Watershed Protection.
21. Najafinezhad, A.; Mardian, M.; Varvani, J.; & Sh. Vahed bardi, 2011. Performance Evaluation of Correction Factors in Optimization of Sediment Rating Curve (Case Study: Kamal Saleh Dam Watershed, Markazi Province, Iran), JWater and Soil Conservation, Journal, 18(2), 2011. (In persian)
22. Ndomba, P. M.; Mtalo, F. W.; & A. Killingtveit, 2008. Developing an Excellent Sediment Rating Curve from One Hydrological Year Sampling Programme Data: Approach, Journal of Urban and Environmental Engineering, 2(1), 21-27. [DOI:10.4090/juee.2008.v2n1.021027]
23. Nivesh, S., & P. Kumar., (2018). Estimation of sediment load using ANN, ANFIS, MLR and SRC Models in Vamsadhara River Basin, India. Annals of Plant and Soil Research, 20(1), 37-45.
24. Raeesi, M., & Mohseni, M.A. (2019). Investigation of Temporal Phenomena of Sediment Rating Curve and comparison of it with the Some Statistical Methods for Estimating Suspended Sediment Load (Case Study: Gamasiab Watershed). Journal of Watershed Management Research, 10(20). (In persian) [DOI:10.29252/jwmr.10.20.83]
25. Saadat, H., 2006. A review of phase one studies on hydroelectric power plant. In Khozestan. (In persian)
26. Shirdel, H., & A. Emadi., (2016). Evaluation of Different Measuring Curve Methods in Estimating River Suspended Sediment Load (case study: Haraz River, Koresang station). in Second National Congress of Irrigation and Drainage of Iran, Isfahan University of Technology.(In persian)
27. Talebi, A.; Bahramia, M.; & J. M. Mardiana, 2015. Determination of Optimized Sediment Rating Equation and Its Relationship With Physical Characteristics of Watershed in Semiarid Regions: A Case Study of Pol-Doab Watershed, Iran, Desert Online at http://desert.ut.ac.ir, 20(2),135-1.
28. Tfwala, S. S., & Y. M. Wang., (2016). Estimating Sediment Discharge Using Sediment Rating Curves and Artificial Neural Networks in the Shiwen River, Taiwan. Water, 8(2), 53. [DOI:10.3390/w8020053]
29. Varvani, J.; Najafinezhad, A.; & M. Karahroudi, 2008. Improving of Sediment Rating Curve Using Minimum Variance Unbiased Estimator, Agricultural sciences and natural resources, Gorgan, 15(1), 150-167. (In persian)
30. Yadav, A.; Hasan, M. K.; & et al, 2022. Optimized Scenario for Estimating Suspended Sediment Yield Using an Artificial Neural Network Coupled with a Genetic Algorithm, Water, 14(18), 2815. [DOI:10.3390/w14182815]
31. Yadav, A.; Joshi, D.; & et al, 2022. Capability and Robustness of Novel Hybridized Artificial Intelligence Technique for Sediment Yield Modeling in Godavari River, India, Water, 14(12), 17-26. [DOI:10.3390/w14121917]
32. Yousefi, M., & F. Barzegar., (2013). Determining the Most Suitable Measuring Curve Method and Comparing it with Artificial Neural Network in Order to Estimate Suspended Sediments (case Study: Lorestan Province). watershed scientific-research journal, 9(12), 33-. (In persian)
33. Zahiri, A.; Sharifan, H.; Abarashi, F.; & M. Rahimian, 2015. Evaluation of Drought and Drought Phenomena in Khorasan Province Using (PNPI, SPI, NITZCHE) indexes, Iranian Journal of Irrigation and Drainage, 4, 845-856. (In persian).
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
