سال 12، شماره 3 - ( پائیز 1401 )                   جلد 12 شماره 3 صفحات 189-165 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ghezelsefla H, Jandaghi N, Ghareh Mahmoodlu M, Azimmohseni M, Seyedian S M. Modeling and Forecasting of Monthly Runoff in the Time Domain (Case Study: Gharasou River Basin). E.E.R. 2022; 12 (3) :165-189
URL: http://magazine.hormozgan.ac.ir/article-1-704-fa.html
قزل‌سفلی حامد، جندقی نادر، قره محمودلو مجتبی، عظیم محسنی مجید، سیدیان مرتضی. مدل‌سازی و پیش‌بینی رواناب ماهانه در دامنه زمان (مطالعه موردی: حوضه آبریز قره‌سو). پژوهش هاي فرسايش محيطي. 1401; 12 (3) :165-189

URL: http://magazine.hormozgan.ac.ir/article-1-704-fa.html

مدل‌سازی و پیش‌بینی رواناب ماهانه در دامنه زمان (مطالعه موردی: حوضه آبریز قره‌سو)
حامد قزل‌سفلی ، نادر جندقی* ، مجتبی قره محمودلو ، مجید عظیم محسنی ، مرتضی سیدیان
گروه مرتع و آبخیزداری، دانشگاه گنبد کاووس، گنبد کاووس ، nader.jandaghii@gmail.com
چکیده:   (1746 مشاهده)
در پژوهش حاضر برای مدل­سازی رواناب ماهانه، از داده­های چهار ایستگاه هیدرومتری پل توسکاستان، نهارخوران، غازمحله و سیاه­آب در حوضه آبریز قره­سو در یک دوره آماری 36 ساله استفاده شد. سپس بررسی همگنی سری داده­ها با استفاده از آزمون چاو انجام شد. پس از مرتب­سازی­ داده­ها، برای مدل­سازی مقادیر رواناب ماهانه از چهار روش­ باکس و جنکینز (SARIMA)، شبکه عصبی مصنوعی (ANN)، شبکه عصبی مصنوعی ـ فازی (ANFIS) و الگوریتم ژنتیک (GA) در ایستگاه­های هیدرومتری منتخب استفاده شد. پس از مدل­سازی مقادیر رواناب­ ماهانه با استفاده از چهار مدل فوق، به پیش­بینی تغییرات رواناب ماهانه در ایستگاه­های هیدرومتری منتخب برای دوازده ماه آینده پرداخته شد و این امر با کمک نرم­افزارهای Minitab، R و SPSS  صورت گرفت. با توجه به نوع پراکنش مقادیر رواناب و وجود داده صفر، برای تثبیت واریانس از تبدیلlog(1+Yt)   در مدل استفاده شد. در مرحله بعد، اعتبارسنجی مقادیر پیش­بینی شده توسط مدل­ها با استفاده از شاخص­های MAD، RMSE و MAPE ارزیابی شد. نتایج نشان داد که در اکثر ایستگاه­های هیدرومتری منتخب، مدل شبکه عصبی مصنوعی بهترین عملکرد را در بین چهار مدل مورد استفاده داشت. بعد از شبکه عصبی مصنوعی، شبکه عصبی مصنوعی ـ فازی دارای مناسب­ترین عملکرد بود. روش باکس و جنکینز نیز با وجود اینکه در تشخیص روند تغییرات به صورت مناسب عمل کرده بود، در بین چهار مدل مورد استفاده عملکرد ضعیف­تری را در پیش­بینی مقادیر رواناب داشت.
 
واژه‌های کلیدی: رواناب ماهانه، شبکه عصبی مصنوعی، الگوریتم ژنتیک، باکس و جنکینز، حوضه آبریز قره‌سو.
متن کامل [PDF 1412 kb]   (407 دریافت)    
نوع مطالعه: مستخرج از پایان‌نامه / رساله / طرح پژوهشی | موضوع مقاله: مدلسازی و تحلیل زمانی و مکانی رخداد انواع مختلف فرسایش محیطی
دریافت: 1400/10/4 | انتشار: 1401/6/30
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله پژوهش‌های فرسایش محیطی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Environmental Erosion Research Journal

Designed & Developed by : Yektaweb