پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,578 |
| تعداد مقالات | 71,072 |
| تعداد مشاهده مقاله | 125,696,747 |
| تعداد دریافت فایل اصل مقاله | 98,927,646 |
ارزیابی عملکرد روش های مبتنی بر کرنل در تخمین میزان بار رسوبی معلق رودخانه (مطالعۀ موردی: رودخانۀ صوفی‌چای مراغه) | ||
| پژوهش های جغرافیای طبیعی | ||
| مقاله 7، دوره 48، شماره 3، مهر 1395، صفحه 413-429 اصل مقاله (641 K) | ||
| نوع مقاله: مقاله کامل | ||
| شناسه دیجیتال (DOI): 10.22059/jphgr.2016.60099 | ||
| نویسندگان | ||
| علی رضازاده جودی* 1؛ محمدتقی ستاری2 | ||
| 1باشگاه پژوهشگران جوان و نخبگان، واحد مراغه، دانشگاه آزاد اسلامی، مراغه، ایران | ||
| 2عضو هیئت‌علمی گروه مهندسی آب، دانشکدة کشاورزی، دانشگاه تبریز | ||
| چکیده | ||
| به سبب اهمیت فراوان انتقال رسوب در استفادة بهینه از منابع آبی و طراحی سدها، دست‌یابی به روشی با دقت مناسب برای تخمین میزان بار رسوبی معلق رودخانهها بسیار ضروری است. در این پژوهش میزان بار رسوبی معلق رودخانة صوفی‌چای به وسیلة روش‌های نوین دادهکاویـ شامل رگرسیون فرایند گاوسی و رگرسیون بردار پشتیبان‌ـ که با بهرهگیری از توابع کرنل توانایی بسیاری در حل مسائل غیرخطی دارند، تخمین زده شد، سپس، با مقادیر بهدستآمده از روش‌های تجربی منحنی سنجة رسوب و روش فصلی مقایسه شد. روش رگرسیون فرایند گاوسی با ارائة شاخصهای آماری ضریب همبستگی (R) برابر 977/0، ضریب همبستگی نش- ساتکلیف (N-S) برابر 794/0، میانگین خطای مطلق (MAE) برابر 4278/77 تن در روز، و ریشة میانگین مربعات خطا (RMSE) برابر 7455/698 تن در روز دارای بیشترین دقت و کمترین خطا از میان روش‌های بررسی‌شده در این مطالعه است. نتایج بهدستآمده نشان داد هر دو روش دادهکاوی بررسی‌شدة رگرسیون فرایند گاوسی و رگرسیون بردار پشتیبان به‌مراتب نتایج بهتری نسبت به منحنی سنجة رسوب و روش فصلی ارائه میکنند. | ||
| کلیدواژه‌ها | ||
| بار رسوبی معلق؛ رگرسیون بردار پشتیبان؛ رگرسیون فرایند گاوسی؛ صوفی‌چای؛ منحنی سنجة رسوب | ||
| مراجع | ||
|
اسکندری، ع.؛ نوری، ر.؛ معراجی، ح. و کیاقادری، ا. (1391). توسعة مدلی مناسب بر مبنای شبکة عصبی مصنوعی و ماشین بردار پشتیبان برای پیشبینی بهنگام اکسیژنخواهی بیوشیمیایی ۵روزه، مجلة محیط‌شناسی، 61(1): 71 ـ 82. امامی، س.ا. (1379). انتقالرسوب، تهران: انتشارات جهاد دانشگاهی صنعتی امیرکبیر. خزائی‌پول، ا. و طالبی، ع. (1392). بررسی امکان پیشبینی رسوبات معلق با استفاده از ترکیب منحنی سنجة رسوب و شبکة عصبی مصنوعی (مطالعة موردی: رودخانة قطورچای، پل یزدکان)، مجلة پژوهشهایفرسایشمحیطی، 9: 73 ـ 82. دهقانی، ا.ا.؛ زنگانه، م.ا.؛ مساعدی، ا. و کوهستانی، ن. (1388). مقایسة تخمین بار معلق به دو روش منحنی سنجة رسوب و شبکة عصبی مصنوعی، مجلة علومکشاورزیومنابعطبیعی، 16، 36 ـ 51. دهقانی، ن. و وفاخواه، م. (1392). مقایسة روش‌های تخمین رسوب معلق روزانه با استفاده از روش‌های منحنی سنجة رسوب و شبکة عصبی (مطالعة موردی: ایستگاه قزاقلی، استان گلستان)، مجلة پژوهشهایحفاظتآبوخاک، 20(2): 221 ـ 230. رجبی، م.؛ فیض‌الله‌پور، م. و روستایی، ش. (1394). استفاده از مدل تبرید تدریجی عصبی (NDE) در تخمین بار معلق رسوبی و مقایسة آن با مدل ANFIS و RBF (مطالعة موردی: رودخانة گیوی‌چای)، مجلة توسعهوجغرافیا، 39: 1 ـ 16. رضازاده جودی، ع. و ستاری، م. (1394). تخمین عمق چالة آبشستگی پایة پل در سازههای رودخانهای با روش رگرسیون فرایند گاوسی، نشریة تحقیقاتکاربردیمهندسیسازههایآبیاریوزهکشی، 16(65): 19 ـ 36. شهرابی، ج. و ذوالقدر شجاعی، ع. (1390). داده‌کاویپیشرفته (مفاهیموالگوریتم‌ها)، انتشارات جهاد دانشگاهی واحد صنعتی امیرکبیر. طباطبایی، م.؛ سلیمانی، ک.؛ حبیب‌الله روشن، م. و کاویان، ع. (1393). برآورد غلظت رسوب معلق روزانه با استفاده از شبکة عصبی مصنوعی و خوشهبندی دادهها به روش نگاشت خودسازمانده (مطالعة موردی: ایستگاه هیدرومتری سیرا ـ رودخانة کرج)، پژوهش‌نامةمدیریتحوضةآبریز، 10: 98 ـ 116. فلامکی، ا.؛ اسکندری، م.؛ بغلانی، ع. و احمدی، س.ا. (1392). مدل سازی بار رسوب کل رودخانهها با استفاده از شبکههای عصبی مصنوعی، نشریة حفاظتمنابعآبوخاک، 2(3): 13 ـ 25. مساعدی، ا.؛ زنگانه، م.ا.؛ مفتاح، م.؛ دهقانی، ا.ا. و خوشروش، م. (1388). ارزیابی روش‌های هیدرولوژیکی برآورد بار معلق (مطالعة موردی: رودخانة اترک استان گلستان)، دهمینسمینارسراسریآبیاریوکاهشتبخیر۱۹تا۲۱بهمن، کرمان. نجمایی، م. (1369). هیدرولوژیمهندسی، چ 2، دانشگاه علم و صنعت ایران. ولی، ع.؛ معیری، م.؛ رامشت، م.ح. و موحدی‌نیا، ن. (1390). تحلیل مقایسة عملکرد شبکههای عصبی مصنوعی و مدلهای رگرسیونی پیشبینی رسوب معلق (مطالعة موردی: حوضة آبخیز اسکندری واقع در حوضة آبریز زایندهرود)، پژوهشهایجغرافیایطبیعی، 71(1): 21 ـ 30. Alp, M. and Cigizoglu, H.K. (2007). Suspendedsediment load simulation by two artificial neuralnetwork methods using hydro meteorological data, Environmental Modelling and Software, 22: 2-13.
Dehgani, A.A.; Zangane, M.A.; Mosaedi, A. and Kuhestani N. (2010). Estimation of suspended sediment in the sediment rating curve and artificial neural network, Journal of Agricultural Sciences and Natural Resources, 16: 36-51 (In Persian).
Dehgani, N. and Vafakhah, M. (2014). Comparison of methods for prediction of daily sediment using sediment rating curves and neural network (Case Study: Gezagli Station, Golestan Province), Journal of Soil and Water Conservation, 20(2): 221-230 (In Persian).
Duan, W.L.; He, B.; Takara, K.; Luo, P.P.; Nover, D. and Hu, M.C. (2015). Modeling suspended sediment sources and transport in the Ishikari River basin, Japan, using SPARROW, Hydraulic Earth Systems Sciences, 19: 1293-1306. Ebden, M. (2008). Gaussian processes for regression: a quick Introduction, Available from: http://www.robots.ox.ac.uk/~mebden/reports/GPtutorial.pdf [Accessed 14 August 2015]
Eder, A.P.; Strauss, T.; Krueger, B.; 1and, J.N. and Quinton, B. (2010). A Comparative calculation of suspended sediment loads with respect to hysteresis effects (in the Petzenkirchen catchment), Austria, Journal of Hydrology, 389: 168-176.
Emami, S.A. (2000). Sediment transportation, Jahade daneshgahi Press, Amirkabir industrial university, Tehran, First edition, 716p. (In Persian).
Eskandari, A.; Nouri, R.; Meraji, H. and Kiagaderi, A. (2012). The development of an appropriate model based on artificial neural network and support vector machine for predicting biochemical oxygen during 5 days, Journal of Ecology, 61(1): 71-82 (In Persian).
Falamaki, A.; Eskandari, M.; Baghlani, A. and Ahmadi, S.A. (2013). Modeling total sediment load in rivers using artificial neural networks, Journal of water and soil conservation, 2(3): 13-25 (In Persian).
Heng, S. and Suetsugi, T. (2013). Using artificial neural network to estimate sediment load in ungauged catchments of the Tonle Sap River Basin, Cambodia, Journal of Water Resource and Protection, 5: 111-123.
Kakaei Lafdani, E.; Moghaddam Nia, A. and Ahmadi, A. (2013). Daily suspended sediment load prediction using artificial neural networks and support vector machines, Hydrology, 478: 50-62.
Kao, Sh.; Lee, T. and Milliman, J.D. (2005). Calculating highly fluctuated suspended sediment fluxes from mountainous rivers in Taiwan, TAO, 16(3): 653-675.
Khazaie Poul, A. and Talebi, A. (2013). Investigation of Possibility of Suspended Sediment Prediction Using The Combination of Sediment Rating Curve and Artificial Neural Network (Case Study: Ghatorchai River, Yazdakan Bridge), Quarterly Journal of Environmental Erosion Researches, 2(9): 73-82 (In Persian).
Kia, E.; Emadi, A.R. and Fazlola, R. (2013). Investigation and Evaluation of Artificial Neural Networks in Babolroud River Suspended Load Estimation, Journal of Civil Engineering and Urbanism, 3(4): 183-190. Kumar Goyal, M. (2014). Modeling of Sediment Yield Prediction Using M5 Model Tree Algorithm and Wavelet Regression, Journal of Water Resources Management, 28: 1991-2003.
Mosaedi, A.; Zangane, M.A.; Meftah, M.; Dehgani, A.A. and Khoshravesh, M. (2010). Evaluation of hydrological methods to estimate the suspended load (case study: Atrak River of Golestan Province), 10th Seminar irrigation and evaporation, 8-10 February, Kerman (In Persian).
Najmaei, M. (1990). Engineering Hydrology, Second edition, Iran University of Science and Technology (In Persian).
Neal, R.M. (1997). Monte carlo implementation of gaussian process models for bayesian regression and classification, University of Toronto, Toronto: Department of Statistics and Department of Computer Science, Technical report no, 9702.
Onderka, M.; Krein, A. and Wrede, S. (2012). Dynamics of storm-driven suspended sediments in headwater catchment described by multivariable modeling, Journal of Soils Sediments, 12: 620-635.
Pal, M. and Deswal, S. (2010). Modelling pile capacity using Gaussian process regression, Computers and Geotechnics, 37, 942-947.
Rajabi, M.; Feizollahpour, M. and Roustaie, S. (2015). Using NDE model for estimation of suspended sediment load in comparison with ANFIS and RBF case study: Givi Chay, Geography and Development Iranian Journal, 39(2): 1-16 (In Persian).
Rajaee, T.; Mirbagheri, S.A.; Nourani, V. and Alikhani, A. (2010). Prediction of daily suspended sediment load using wavelet and neuro fuzzy combined model, International Journal of Environment Sciences, Tech., 7(1): 93-110,
Rezazadeh Joudi, A. and Sattari, M. (2016). Estimation of Scour Depth of Piers in Hydraulic Structures using Gaussian Process Regression, Applied Research in Irrigation and Drainage Structures Engineering, 16(65): 19-36 (In Persian).
Sadeghi, S.H.R.; Mizuyama, T.; Miyata, S.; Gomi, T.; Kosugi, K.; Fukushima, T.; Mizugaki, S. and Onda, Y. (2008). Development, evaluation and interpretation of sediment rating curves for a Japanese small mountainous reforested watershed, Geoderma, 144: 198-211.
Shahrabi, J. and Hejazi, T.H. (2011). Data mining, Tehran, Industrial University of Amirkabir, Jahad daneshgahi Press (In Persian).
Tabatabaei, M.; Solaimani, K.; Habibnejad Roshan, M. and Kavian, A. (2014). Estimation of Daily Suspended Sediment Concentration using Artificial Neural Networks and Data Clustering by Self-Organizing Map (Case Study: Sierra Hydrometry Station- Karaj Dam Watershed), Journal of Watershed Management Research, 5(10): 98-116 (In Persian).
Vali, A.; Moayeri, M.; Ramsht, M.H. and Movahedinia, N. (2010). Analysis and Comparison of artificial neural networks and regression models in suspended sediment Prediction case study: Eskandari Catchment Area located in Zayanderood Basin, Journal of Physical Geography Research Quarterly, 71(1): 21-30 (In Persian).
Vapnik, V.N. (1995). The nature of statistical learning theory, Newyork: springer-verlag. | ||
|
آمار تعداد مشاهده مقاله: 1,529 تعداد دریافت فایل اصل مقاله: 1,002 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب