پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,196 |
| تعداد مقالات | 77,227 |
| تعداد مشاهده مقاله | 157,217,995 |
| تعداد دریافت فایل اصل مقاله | 118,403,668 |
مدلسازی هدایت هیدرولیکی بستر رودخانههای فصلی در مناطق خشک و نیمهخشک با استفاده از یادگیری ماشین: ارزیابی عملکرد و تحلیل حساسیت | ||
| مدیریت آب و آبیاری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 06 خرداد 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jwim.2026.410934.1293 | ||
| نویسندگان | ||
| احسان کرابی؛ محمدرضا مجدزاده طباطبایی* | ||
| دانشکده مهندسی عمران، آب و محیط زیست دانشگاه شهید بهشتی تهران | ||
| چکیده | ||
| هدایت هیدرولیکی عمودی بستر رودخانههای فصلی یکی از پارامترهای کلیدی در تبادل جریان سطحی-زیرسطحی و مدیریت منابع آب در مناطق خشک و نیمهخشک است، با این حال اندازهگیری مستقیم آن با هزینه، زمان و عدم قطعیت بالا همراه میباشد. هدف این پژوهش، توسعه و ارزیابی یک چارچوب مبتنی بر یادگیری ماشین برای پیشبینی هدایت هیدرولیکی عمودی بستر با تأکید بر نقش ناهمگنیهای مورفولوژیکی شامل کانال اصلی و پشتههای رسوبی با درک رفتار رودخانههای فصلی است. بدین منظور، مدلهای مبتنی بر تقویت با استفاده از دادههای دانهبندی، شاخصهای ساختاری بستر و پارامترهای هیدرولیکی توسعه داده شد. عملکرد مدلها با سه روش اعتبارسنجی ارزیابی شد. نتایج نشان داد که مدل منتخب در دادههای آزمون به مقادیر ضریب تعیین بالاتر از 85/0 دست یافته است. تحلیل عدم قطعیت بیانگر آن بود که بازههای اطمینان ۹۵ درصد پیشبینیها محدود بوده و نرخ برد مدل در اغلب سناریوهای اعتبارسنجی بیش از 85 درصد است. مقایسه عملکرد مدل در واحدهای مورفولوژیکی مختلف نشان داد که پیشبینی هدایت هیدرولیکی در پشتههای رسوبی نسبت به کانال اصلی از پایداری بیشتری برخوردار بوده، بهگونهای که انحراف معیار نتایج آزمون بسته به روش اعتبارسنجی بین ۱۰ تا ۵۰ درصد کمتر گزارش شده است. نتایج تحلیل حساسیت حاکی از آن است که پارامترهای mp و Ar بههمراه صدک ریز دانهبندی (d10) مهمترین عوامل کنترلکننده هدایت هیدرولیکی عمودی هستند. یافتههای این پژوهش نشان میدهد که تلفیق یادگیری ماشین با تحلیل مبتنی بر مورفولوژی میتواند رویکردی کارآمد برای برآورد هدایت هیدرولیکی بستر رودخانههای فصلی و کاهش عدم قطعیت در مطالعات هیدرولوژیکی فراهم کند. | ||
| کلیدواژهها | ||
| یادگیری ماشین؛ هدایت هیدرولیکی؛ رودخانههای فصلی؛ تحلیل حساسیت | ||
|
آمار تعداد مشاهده مقاله: 59 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب