TY - JOUR ID - 3069 TI - مدل‌سازی رابطه دبی_اشل در رودخانه با استفاده از روش شبکه‌های عصبی مصنوعی(ANN) و روش کنترل گروهی داده‌ها(GMDH)(مطالعه موردی: رودخانه اسکویلکیل) JO - مجله پژوهش‌های حفاظت آب و خاک JA - JWSC LA - fa SN - 2322-2069 AU - حسین زاده, مریم AU - قادری, کورش AU - احمدی, محمد مهدی AD - دانشگاه شهید با هنر کرمان AD - دانشگاه شهید باهنر کرمان Y1 - 2016 PY - 2016 VL - 23 IS - 2 SP - 279 EP - 289 KW - روش‌های داده‌محور KW - رابطه دبی- اشل KW - مدل‌سازی KW - ANN KW - GMDH DO - 10.22069/jwfst.2016.3069 N2 - پیش‌بینی جریان در رودخانه‌ها، یکی از مهم‌ترین مولفه‌های فرآیندهای هیدرولیکی و هیدرولوژیکی در مدیریت منابع آب می‌باشد. به منظور کاربردهای هیدرولوژیکی گوناگون نظیر تجزیه ‌و‌تحلیل بیلان آب و رسوب و همچنین پروژه‌های کنترل و بهره‌برداری از مخازن، وجود اطلاعات دقیقی از شرایط دبی جریان در رودخانه بسیار مهم می‌باشد. از این رو هیدرولوژیست‌ها از داده‌های تاریخی جهت ایجاد یک رابطه میان دبی جریان و تراز سطح آب استفاده می‌کنند که از این رابطه تحت عنوان رابطه دبی- اشل یا منحنی سنجه (RC) یاد می‌شود. با پیشرفت‌های اخیر در زمینه هوش مصنوعی و محاسبات نرم در مطالعات منابع آب، استفاده از این روش‌ها می‌تواند گزینه مناسبی جهت مدل‌سازی فرآیندهای هیدرولیکی و هیدرولوژیکی باشد. در این تحقیق، مدلی بر اساس روش کنترل گروهی داده‌ها (GMDH) که یک رویکرد مدل‌سازی خود سازمانده مبتنی بر داده است، جهت مدل‌سازی رابطه دبی- اشل درایستگاه هیدرومتری فیلادلفیا روی رودخانه اسکویلکیل (Schuylkill) واقع در ایالت متحده آمریکا توسعه داده شده است. 12 مدل مختلف بر اساس ترکیبات مختلف متغیرهای ورودی از جریان و اشل با دو تابع هدف غیرخطی درجه اول و درجه دوم مورد استفاده قرار گرفته است. بررسی کارایی مدل‌ها با استفاده از معیارهای آماری RMSE، MPRE و ضریب NASH انجام شده است. مقادیر معیارهای آماری به دست آمده از این مدل‌سازی در دوره آزمون مدل نشان می‌دهد که مدلی با مقادیر MSE،MPRE و ضریب NASH به ترتیب برابر با 8/15، 303/0 و 999/0 به عنوان بهترین مدل دبی- اشل در این رودخانه انتخاب می‌گردد. UR - https://jwsc.gau.ac.ir/article_3069.html L1 - https://jwsc.gau.ac.ir/article_3069_419d3e79a8f52a2fc600433b78514d5f.pdf ER -