Persian
Language
Geographical Research is Published in Persian Fulltext.
دوره 27، شماره 4 - ( 1391 )
جلد 27 شماره 4 صفحات 158-137 |
برگشت به فهرست نسخه ها
نوع مقاله:
موضوع مقاله:
History
دریافت: 1397/4/7 | پذیرش: 1397/4/7 | انتشار: 1397/4/7
دریافت: 1397/4/7 | پذیرش: 1397/4/7 | انتشار: 1397/4/7
How to cite this article
Omidvar K, Azhdarpoor M. A comparative study of artificial neural network and HEC-HMS1 model in rainfall-run off estimation in Azam river basin of Herat . GeoRes 2013; 27 (4) :137-158
URL: http://georesearch.ir/article-1-536-fa.html
URL: http://georesearch.ir/article-1-536-fa.html
امیدوار کمال، اژدرپور مهران. مقایسه شبکه عصبی مصنوعی و مدل HEC – HMS در برآورد بارش – رواناب در حوضه آبریز رودخانه اعظم هرات . فصل‌نامه تحقیقات جغرافیایی. 1391; 27 (4) :137-158
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rights and permissions
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
چکیده (3229 مشاهده)
یکی از روشهایی که در زمینه های مختلف علمی استفاده شده و می تواند فرایند پیچیده بارش – رواناب را شبیه سازی کند، استفاده از مدلهای شبکه عصبی مصنوعی است. هدف این تحقیق بررسی کارآمدی شبکه های عصبی مصنوعی در شبیه سازی فرایند بارش- رواناب و مقایسه نتایج آنها با مدل HEC – HMS در حوضه آبریز رودخانه اعظم هرات در استان یزد است. داده های مورد استفاده در این تحقیق شامل بارندگی روزانه به همراه دبی روزانه و لحظه ای رودخانه مزبور طی یک دوره آماری 24 ساله (1361-1385) است. ابتدا بارش نگارهای چندین پیشامد بارندگی و آبنمودهای رواناب آنها مبنای کار قرار گرفت. سپس شبکه عصبی مصنوعی با الگوریتم پس انتشار خطا و استفاده از تابع تبدیل سیگموئید آموزش داده شد. معیار گزینش پارامترهای شبکه در مرحله آموزش، تولید کمترین مقدار (RMSE) در خروجی های آن بود. مدل HMS به روش پیشنهادی SCS و شماره منحنی (CN) اجرا شد. برای ارزیابی کارایی شبکه عصبی مصنوعی، داده های شبیه سازی شده و مشاهده ای مربوط به کل دبی و حجم رواناب، دبیها و زمانهای اوج مقایسه شدند. یافته های تحقیق نشان می دهد که ضرایب همبستگی کل دبیهای مشاهده ای و برآورد شده شبکه عصبی 978/0 و مدل HMS 823/0 است و خروجی شبکه نسبت به خروجی مدل از دقت بیشتری برخوردار است. ضرایب همبستگی مربوط به حجم رواناب برآورد شده و دبی اوج به ترتیب برای شبکه 986/0 و 981/0 و برای مدل 979/0 و 972/0 به دست می آید. مقایسه زمان اوج آبنمودهای واقعی با موارد پیش بینی شده ANN و HMS نشان می دهد که دقت شبکه در این مورد نیز به مراتب از دقت مدل استفاده شده بیشتر است و ضرایب همبستگی شبکه 833/0 و مدل 491/0 برآورد می شود. مقایسه عملکرد شبکه و مدل به کار رفته نشان می دهد که در تمام پارامترهای مورد نظر دقت شبکه بیشتر از مدل HMS است. با انجام آزمون t با سطوح احتمال 95 و 99 درصد، اختلاف معنی داری میان اندازه های مشاهده ای و شبیه سازی شده مربوط به همه پارامترهای مورد بررسی مشاهده نشد.
واژه‌های کلیدی:
فهرست منابع
1. اژدرپور، مهران (1387) پیش بینی رابطه بارش – رواناب به روش شبکه عصبی مصنوعی در حوضه آبریز رودخانه اعظم هرات، پایان نامه کارشناسی ارشد، رشته اقلیم شناسی به راهنمایی کمال امیدوار، دانشگاه یزد، گروه جغرافیا
2. اکبرپور، مهرداد، محمدباقر رهنما و غلام عباس بارانی (1382) "مقایسه شبکه عصبی مصنوعی و مدل HEC-HMS در فرآیند بارندگی – رواناب" چهارمین کنفرانس هیدرولیک ایران، دانشکده مهندسی دانشگاه شیراز، صص 1025-1032
3. سازمان هواشناسی کشور (1385( داده های بارش روزانه ایستگاه های منطقه مورد مطالعه
4. سازمان مدیریت و برنامه ریزی استان یزد (1384) معاونت آمار و اطلاعات
5. سلطانی، سعید و سعید مرید (1381) "مقایسه مدل های تفهیمی با شبکه های عصبی مصنوعی در شبیه سازی بارش- رواناب" مجموعه مقالات ششمین سمینار بین المللی مهندسی رودخانه، دانشگاه شهید چمران، اهواز، صص 1085، 1094
6. فرج زاده، منوچهر (1386) تکنیک های اقلیم شناسی تهران، سمت، ص 287
7. میثاقی، فرهاد و کوروش محمدی (1381) "شبیه سازی بارش – رواناب و روندیابی رودخانه با استفاده از شبکه های عصبی مصنوعی" مجموعه مقالات ششمین سمینار بین المللی مهندسی رودخانه، دانشگاه شهید چمرا، اهواز، صص 455-462
8. منهاج، محمدباقر (1384) مبانی شبکه های عصبی، انتشارات دانشگاه صنعتی امیرکبیر، ص 715
9. وزارت نیرو، سازمان آب منطقه ای یزد، دفتر مطالعات آب های سطحی (1385) گزارش های آماری حوضه آبریز رودخانه اعظم.
10. Anctil,, F, and etal.(2003). "Impact of the length of observed records on the performance of ANN." Environmental Modeling and Software, 19:357-368.
11. Braddock, R.D. etal. (1998). "Feed forward artificial neural network model for forecasting rainfallrunoff". Environmental Sciences, 9:419-432.
12. Dastorani, M.T., A.Moghadamnia, J. Piri and M,Rico-Ramirez, (2009), "Application of ANN and ANFIS Models for Reconstructing Missing Flow Data, " Journal of Environmental Monitoring and Assessment, Springer, DOI: 10,1007/S10661-009-1012-8
13. Dimopoulos, I.etal.(1996). "Rainfall-runoff modeling by neural networks and Kalman filter". Hydrologycal Sciences journal, 41:179-193.
14. HSU,K etal. (1995). "Artificial neural network modeling of the rainfall-runoff process".Water Resources Research,31:2517-2530.
15. Lallahem,S. and J.Mania.(2002)." A non-linear rainfall- runoff model using neural network technique." Mathematical and Computer Modeling, 37:1047-1061.
16. Lorrai, M. and Sechi, G.M.(1995). "Neural net for modeling rainfall-runoff transformation". Watercourses management, Vol.9,pp.299-313.
17. Modarres, R (2009), " Multi-criteria validation of artificial neural network rainfall- runoff modeling". Hydrology and Earth System Sciences. Vol. 13,No.33 (19 March), pp.411-421.
18. Pankiewicz, G.S. (1997). "Neural network classification of convective airmasses for a flood forecasting system", International Journal of Remote Sensing. Vol. 18, No.4, pp. 887-898.
19. Razi, M.A.M, J.Ariffin, W.Tahir and N.AM Arish, (2010), "Flood estimation studies using hydrologic modeling system (HEC- HMS) for Johor river, Malaysia", Journal of Applide Sciences 10(11): 930-939.
20. Roger.G and etal(2001). "Synoptic and dynamic climatology". London and NewYork. P 560.
21. Rosenblatt, F.(1962). "Principles of neuro-dynamics: Perceptron and the theory of brain mechanisms" Spartan, Washington, D.C.
22. Suhaimi, S., Rosmina A.Bustami, (2009), "Rainfall runoff modeling using Radial basis function neural network for Sungai Tinjar catchment, Miri, Sarawak", (2009), Journal of Civil Engineering, Vol.1: issue1/August.
23. Yusop,Z (2007), "Runoff characteristics and application of HEC-HMS for modeling stormflow hydrograph in an oil palm catchment", Water Science and Technology, Vol.56. No. 8. PP,41-48.
ارسال پیام به نویسنده مسئول