- همه نشریات
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- مجلات ترویجی کشاورزی
- نشریات انجمن ها
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
آمار
| تعداد نشریات | 276 |
| تعداد نشریات سازمان | 75 |
| تعداد شماره‌ها | 1,934 |
| تعداد مقالات | 22,200 |
| تعداد مشاهده مقاله | 11,990,265 |
| تعداد دریافت فایل اصل مقاله | 9,630,485 |
ترکیبهای بهینه متغیرهای هیدرولوژی برای مدل‌سازی بار رسوب معلق روزانه در حوزه آبخیز کرج | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 17، دوره 12، شماره 1، بهار 1399، صفحه 228-243 اصل مقاله (1.13 MB) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2019.121319.1463 | ||
| نویسندگان | ||
عادله علی‌جانپور شلمانی  1؛ علیرضا واعظی2؛ محمودرضا طباطبایی 3
| ||
| 1دانشجوی دکتری، دانشکده کشاورزی، دانشگاه زنجان | ||
| 2استاد، دانشکده کشاورزی، دانشگاه زنجان | ||
| 3استادیار، پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران | ||
| چکیده | ||
| تحلیل داده‌های بار رسوب معلق در رودخانه‌ها اساس شناخت روند فرسایش و رسوب در بحث مدیریت و برنامه‌ریزی منابع آب و خاک است. به‌دلیل عدم دسترسی به داده‌های بار رسوب معلق روزانه با اندازه‌گیری مستقیم، استفاده از روش‌هایی برای مدل‌سازی و برآورد آن در حوزه‌های آبخیز حائز اهمیت است. یکی از روش‌های مناسب مورد استفاده در این زمینه، به‌کارگیری شبکه‌های عصبی مصنوعی است. برای مدل‌سازی بار رسوب معلق روزانه، ایستگاه هیدرومتری سیرا در حوزه آبخیز رودخانه کرج مورد مطالعه قرار گرفت. تعداد داده مورد استفاده در این پژوهش، 624 داده با طول دوره آماری 31 سال (از سال 1360 تا1390) است. متغیرهای ورودی به مدلهای شبکه عصبی مصنوعی شامل دبی لحظه‌ای، متوسط دبی روزانه، متوسط دبی روزانه با تاخیر سه روزه، متوسط بارش روزانه و متوسط بارش روزانه با تاخیر سه روزه و متغیر خروجی به مدل‌ها بار رسوب معلق روزانه است. برای تعیین متغیرهای بهینه و بهترین ترکیب متغیرها برای ورود به مدل از آزمون گاما و الگوریتم ژنتیک استفاده شد. سپس، این ترکیب‌ها به‌همراه برخی از ترکیب متغیرهای حاصل از آزمون و خطا، وارد مدلهای شبکه‌های عصبی مصنوعی شد. از شبکه عصبی نگاشت خودسازمانده برای خوشه‌بندی داده‌ها استفاده و داده‌ها به سه گروه همگن، شامل 70 درصد برای آموزش، 15 درصد برای اعتبارسنجی و 15 درصدی برای آزمون جدا شد. در ادامه، ترکیب متغیرها وارد مدلهای شبکه عصبی با توابع فعالسازی لوگ سیگموئید و تانژانت سیگموئید شد. نتایج نشان داد، در بین تمام ترکیبهای ورودی به مدلهای شبکه عصبی، مدل با تابع فعالسازی تانژانت سیگموئید با ترکیب متغیرهای ورودی شامل دبی لحظه‌ای (Q)، دبی متوسط روزانه (Qi)، دبی متوسط روزانه دو روز قبل (Qi-2)، دبی متوسط روزانه سه روز قبل (Qi-3)، بارندگی متوسط روزانه (Pi)، بارندگی متوسط روزانه دو روز قبل (Pi-2) و بارندگی متوسط روزانه سه روز قبل (Pi-3) مدل مناسب برای برآورد بار رسوب معلق روزانه شد. این مدل کمترین مقدار خطا، بالاترین کارایی مدل و کمترین انحراف استاندارد عمومی را در مقایسه با سایر مدل‌ها دارد. این مدل، بهترین ترکیب با تاثیرگذارترین متغیرهای ورودی به‌دست آمده از آزمون گاما و الگوریتم ژنتیک برای برآورد SSL است. | ||
| کلیدواژه‌ها | ||
| آزمون گاما؛ تانژانت سیگموئید؛ خوشه‌بندی؛ شبکه عصبی مصنوعی؛ نگاشت خودسازمانده | ||
| عنوان مقاله [English] | ||
| Optimal combinations of hydrological variables for modeling of daily suspended sediment load in Karaj Watershed | ||
| نویسندگان [English] | ||
| Adele Alijanpour Shalmani1؛ Alireza Vaezi2؛ Mahmoudreza Tabatabaei3 | ||
| 1PhD Student, Soil Science. Department, University of Zanjan, Iran | ||
| 2Professor Soil Science Department, University of Zanjan, Iran | ||
| 33Assistant Professor, Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran | ||
| چکیده [English] | ||
| Analysis of suspended sediment load data in rivers is the basis for understanding the trend of erosion and sediment in the management and planning of soil and water resources. Due to lack of access to daily suspended sediment loading data with direct measurement, it is important to use methods for modeling and estimating it in watersheds. One of the best methods used in this field is the use of artificial neural networks. To evaluate daily suspended sediment load, Sira hydrometric station was studied in Karaj River watershed. The number of data used in this study included 624 information records of 31 years (1981–2011) statistical period .Input data to the artificial neural network models included instantaneous flow discharge, average daily flow discharge, average daily flow discharge with a delay of three days, average daily precipitation and average daily precipitation with a delay of three days. Output data to models was daily suspended sediment load. In this research, gamma test and genetic algorithm were used to obtain optimal variables and best combination of variables for entering the model. Then, these combinations with some combination of test and error variables were entered to artificial neural network models. The self-organizing map neural network was used for data clustering and all data were divided into three homogeneous groups: 70 percentage training data, 15 percentage validation data and 15 percentage test data. Then, the combination of variables entered to neural network models with activation functions log sigmoid and tangent sigmoid. The results showed that the neural networks using the optimal variable combinations in comparison with manual combinations have a more accurate estimate for suspended sediment load. In all combinations of inputs to neural network models, a model with tangent sigmoid activation function, with input variables combination including, instantaneous flow discharge (Q), average daily flow discharge (Qi), average daily flow discharge for two day ago (Qi-2), average daily flow discharge for three day ago (Qi-3), average daily precipitation (Pi), average daily precipitation for two day ago (Pi-2) and average daily precipitation for three day ago (Pi-3), was the best model for estimating daily suspended sediment load. This model has the lowest of error (MAE=500.05 (ton/day), RMSE=1995.33(ton/day) and Erel=7%), the highest accuracy (R2=0.96), the highest performance model (NSE=0.96) and has the lowest general standard deviation (GSD=0.97) compared to other models. Also, this model is the best combination with the most influential input variables derived from gamma test and genetic algorithm for estimating SSL. | ||
| کلیدواژه‌ها [English] | ||
| Artificial neural network, Clustering, Gamma test, Self-organizing map, Tangent sigmoid | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 512 تعداد دریافت فایل اصل مقاله: 149 |
||
