پديد آورندگان :
رضايي، علي مركز تحقيقات كشاورزي و منابع طبيعي استان زنجان , مهدوي، محمد دانشگاه تهران - دانشكده منابع طبيعي , لوكس، كارو دانشگاه تهران - دانشكده فني , فيض نيا، سادات دانشگاه تهران - دانشكده منابع طبيعي , مهديان، محمد حسين مركز تحقيقات حفاظت خاك و آبخيزداري، تهران
كليدواژه :
بارندگي , رواناب , دبي اوج , سازندها
چكيده فارسي :
مدل مورد بحث در اين تحقيق با استفاده از شبكه عصبي مصنوعي ساخته شده و در حوزه آبخيز سفيد‌رود (ناحيه غير خزري) واسنجي شده است. انجام اين تحقيق مبتني بر جمع‌آوري و انتخاب آبنمودهايي فقط با منشأ بارندگي در 12 زير حوزه با زمان تمركز برابر و يا كمتر از 24 ساعت بوده است. از كل زير حوزه‌هاي انتخابي به تعداد 661 آبنمود به منظور استفاده از دبي اوج آنها براي ساخت مدل پيش‌بيني، انتخاب گرديده است. متغيرهاي ورودي مدل شامل بارندگي يك‌روزه سيلزا و بارندگي پنج روز قبل هر دبي اوج، مساحت زير‌حوزه، طول آبراهه اصلي، شيب 85 -10 درصد طول آبراهه اصلي، ارتفاع ميانه حوزه، مساحت سازندهاي زمين‌شناسي و واحدهاي سنگي در سه گروه هيدرولوژيكي يك، دو و سه، دبي پايه و متغير خروجي نيز تنها دبي اوج بوده است. توسط روش شبكه عصبي مصنوعي از نوع تغذيه به جلو و روش آموزش پس انتشار خطا، تابع تبديل متغيرهاي ورودي به متغير خروجي با طي سه مرحله آموزش، آزمايش و اعتبار‌سنجي به دست آمده است. هم‌چنين بر اساس همان داده‌ها و متغيرها، مدل رگرسيون چند متغيريه خطي براي منطقه مورد بررسي ساخته شد. نتيجه مقايسه دبي‌هاي اوج مشاهده‌اي و برآورد شده بر مبناي دسته داده‌هاي اعتبار سنجي نشان مي‌دهد كه پارامترهاي آماري ضريب (R2) و ضريب آماره آزمون فيشير (F) ، براي مدل شبكه عصبي و رگرسيون چند متغيره خطي به ترتيب 0/84، 33/66 و 0/33، 3/60 بوده و بيانگر ارجهيت كامل مدل شبكه عصبي بر روش‌هاي سنتي است.
چكيده لاتين :
The model in this research was created based on the Artificial Neural Network (ANN) and calibrated in the Sefid-rood dam basin (excluding Khazar zone). This research was done by gathering and selecting peak flows of hydrographs from 12 sub basins, the concentration time of which was equal to or less than 24 hours and was caused only by rainfall. From all the selected sub basins, totally 661 hydrographs were prepared and their peak flows data wes used to make prediction model. The input variables of the model consisted of the depth of daily flooding rainfalls, and so the five days before rainfall of every peak flow, the area of sub basins, the main stream length, the slope of 10-85 percent of main stream, the median height of sub basins, the area of geological formations and rock units, classified at three hydrological groups of I, II, III, the base flow, and output variable was only peak flow. By using Feed Forward Artificial Neural Network with training method of back propagation error the function approximation of inputs to output was created by passing the three processes of training (learning), testing and validation. So based on that data and variables, the Multivariable Linear Regression model was created. The comparison of observed peak flows, based on validation data package, showed that the statistical parameters of (R2) coefficient and Fisher’s test parameter coefficient (F) for ANN model and MLR respectively were 0.84, 33.66 and 0.33, 3.60, indicating the superiority of ANN to traditional methods.
