سید احمد حسینی؛ محمودرضا طباطبایی
چکیده
شبیه‌سازی رسوب معلق در سیستم‌های هیدرولوژیکی به دلیل عدم درک و دانش کافی از اجزاء و فرآیندهای متقابل همواره با عدم قطعیت روبرو بوده و بدین سبب منجر به کاربرد مدلهای هوشمند و از جمله شبکه‌های عصبی مصنوعی در آن شده است. استفاده از مدلهای هوشمند نیز با چالش‌هائی روبرو است. تعیین ساختار مناسب شبکه، مستلزم بهینه نمودن پارامترهای ...
بیشتر
شبیه‌سازی رسوب معلق در سیستم‌های هیدرولوژیکی به دلیل عدم درک و دانش کافی از اجزاء و فرآیندهای متقابل همواره با عدم قطعیت روبرو بوده و بدین سبب منجر به کاربرد مدلهای هوشمند و از جمله شبکه‌های عصبی مصنوعی در آن شده است. استفاده از مدلهای هوشمند نیز با چالش‌هائی روبرو است. تعیین ساختار مناسب شبکه، مستلزم بهینه نمودن پارامترهای مورد استفاده (نظیر تعداد بهینه نورون‌ها و لایه‌ها، وزن و بایاس و نوع توابع فعالسازی) در آن بوده که بهینه‌سازی مناسب آن‌ها به روش آزمون و خطا، ضمن کارائی کم، منجر به صرف زمان زیاد می‌شود. در این پژوهش به منظور شبیه‌سازی بار رسوب معلق روزانه در حوزه‌ی آبخیز سراب قره‌سو (رودخانه‌های قور‌ی‌چای و هیرچای) واقع در استان اردبیل، از شبکه عصبی مصنوعی پرسپترون چند لایه استفاده شد. در راستای آموزش مدلهای شبکه عصبی، علاوه بر روش‌مرسوم پس انتشار خطا، به منظور بهینه‌سازی مقادیر وزن و بایاس نورون‌های مدلهای شبکه عصبی، از الگوریتم بهینه‌سازی ازدحام ذرات استفاده گردید. همچنین به منظور افزایش قدرت تعمیم‌دهی مدلها، از خوشه‌بندی نگاشت خود سازمان‌ده استفاده شد. نتایج نشان داد آموزش مدلهای شبکه عصبی با الگوریتم PSO، کارائی بیشتری نسبت به مدلهای شبکه عصبی که صرفأ از روشهای پس انتشار خطا استفاده می‌نمایند، داشته است. با توجه به آنکه الگوریتمهای تکاملی (نظیر الگوریتم PSO) می‌توانند راه‌حل‌های مناسبی در بهینه‌سازی پارامترهای شبکه عصبی ارائه نمایند لذا، بکارگیری آن‌ها در آموزش مدلهای شبکه عصبی می‌تواند، راهکار مناسبی در بهبود کارایی مدلهای هوشمند و بالاخص در شبیه‌سازی رسوب معلق رودخانه‌ها و بکارگیری نتایج آن در اقدمات سازه‌ای آبخیزداری و عملیات منابع آبی باشد.
پویا اللهویردی پور؛ یعقوب دین پژوه
چکیده
با توجه به وقوع خشکسالی‌های مداوم و تغییرات اقلیمی به‌وقوع پیوسته و در نتیجه آن کاهش منابع آبی در دهه‌های اخیر، پیشبینی میزان جریان رودخانه‌ها در حوضه‌های مختلف جهت مدیریت منابع آب بسیار مورد توجه قرار گرفته است. برآورد و پیشبینی دقیق رواناب، اصلی‌ترین مساله در استحصال منابع آبهای سطحی و استفاده بهینه از پتانسیل حوضه‌های ...
بیشتر
با توجه به وقوع خشکسالی‌های مداوم و تغییرات اقلیمی به‌وقوع پیوسته و در نتیجه آن کاهش منابع آبی در دهه‌های اخیر، پیشبینی میزان جریان رودخانه‌ها در حوضه‌های مختلف جهت مدیریت منابع آب بسیار مورد توجه قرار گرفته است. برآورد و پیشبینی دقیق رواناب، اصلی‌ترین مساله در استحصال منابع آبهای سطحی و استفاده بهینه از پتانسیل حوضه‌های مختلف آبخیز است. حوضه آبخیز دریاچه ارومیه بهعنوان یکی از مهمترین حوضه‌های آبی ایران، در سالهای اخیر رو به خشکی نهاده است. با توجه به این موضوع، اطلاع و آگاهی در زمینه منابع آبی این حوضه و زیرحوضه‌های آن و نیز شبیه‌سازی و پیشبینی منابع مختلف ورودی به آن از جمله رواناب‌ها بسیار مهم است.حوضه آبخیز آجی‌چای یکی از زیرحوضه‌های دریاچه ارومیه می‌باشد. این حوضه در ناحیه شمال‌غربی ایران و در استان آذربایجان شرقی قرار دارد. در این تحقیق از دادههای بارش ایستگاه همدیدی تبریز و رواناب ایستگاه هیدرومتری نهند واقع در این حوضه از سال آبی 77-1376 تا 97-1396 استفاده شد. جهت مدلسازی بارش-رواناب از روشهای شبکه عصبی مصنوعی (ANN)، برنامه‌نویسی بیان ژن (GEP)، ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) استفاده شد. 70 درصد از داده‌ها برای آموزش و 30 درصد از داده‌ها برای صحت‌سنجی مدلها استفاده شد.نتایج این تحقیق نشان داد که تمامی مدلهای مورد بررسی در این تحقیق عملکرد بسیار خوبی در شبیه‌سازی بارش-رواناب روزانه در حوضه آجی‌چای دارند. بر اساس نمودارهای پراکنش و سری‌های زمانی، مدل GEP در مدلسازی مقادیر بارش-رواناب این حوضه با همبستگی بالا نسبت به سایر مدلها بیشترین دقت را داشت. با توجه به نتایج و معیارهای آماری، مدل GEP با R2=0.84، RMSE=0.024 m3.s-1، NSE=0.864 و WI=0.968 دقیق‌ترین مدل در شبیه‌سازی فرایند بارش-رواناب روزانه حوضه آجی‌چای بود. مدلهای مورد بررسی در شبیه‌سازی رواناب‌های بیشینه خطا داشته و این مقادیر را کمتر برآورد کرده‌اند. این نکته می‌تواند به‌دلیل خاصیت مدلهای هوشمند باشد که به دادههای آموزش حساسیت بسیار زیادی دارند. از عوامل موثر در عملکرد مدلها در برآورد رواناب‌های بیشینه میتوان تعیین نوع و ساختار مدلها را نام‌برد.به‌طور کلی نتایج این تحقیق نشان‌داد که مدل GEP نسبت به سایر مدلهای مورد بررسی، در شبیه‌سازی بارش-رواناب دقت بیشتر و عملکرد بهتری دارد. نتایج این تحقیق نشاندهنده عملکرد مناسب مدلهای یادگیری ماشین در شبیه‌سازی فرایند بارش-رواناب است. به‌طور کلی با توجه به دقت بالای مدلهای هوشمند به‌ویژه مدل GEP در پیشبینی فرایند بارش-رواناب روزانه، استفاده از این روش‌ها در مسائل هیدرولوژیک توصیه می‌شود.
علیرضا قائمی؛ مهدی اژدری مقدم؛ سارینا کیخا
چکیده
مقدمه
رودخانه‌ها، بهعنوان منابع حیاتی طبیعت و پایه‌های اصلی توسعه پایدار شناخته می‌شوند. لذا، کمیت و کیفیت آب رودخانه‌ها جز پارامترهای ارزشمند محسوب می‌شوند. افزایش فعالیت‌های کشاورزی و صنعتی، باعث کاهش کیفیت منابع آب در بسیاری از نقاط شده است. تخلیه فاضلاب، زباله و کودهای شیمیایی در روستاهای حاشیه رودخانه‌ها از مهمترین ...
بیشتر
مقدمه
رودخانه‌ها، بهعنوان منابع حیاتی طبیعت و پایه‌های اصلی توسعه پایدار شناخته می‌شوند. لذا، کمیت و کیفیت آب رودخانه‌ها جز پارامترهای ارزشمند محسوب می‌شوند. افزایش فعالیت‌های کشاورزی و صنعتی، باعث کاهش کیفیت منابع آب در بسیاری از نقاط شده است. تخلیه فاضلاب، زباله و کودهای شیمیایی در روستاهای حاشیه رودخانه‌ها از مهمترین منابع آلودگی کیفیت آب به شمار می‌رود. حجم ورود پساب‌های شهری و کشاورزی به این رودخانه، باعث افزایش مقادیر آلاینده‌ها شده، بهطوریکه در بازه سالهای 1372 تا انتهای سال 1396، میانگین آلاینده‌های موجود در ایستگاه ورند برای سه آلاینده مواد جامد محلول، کلر و سدیم به‌ترتیب برابر 507.49، 2.16 و 2.47 بوده است. بنابراین، برآورد دقیق پارامترهای کیفیت آب، یک نیاز اساسی برای مدیریت کیفیت آب، سلامت انسان، مصرف عمومی و مصارف خانگی است.
مواد و روش‌ها
حوضه تجن، با مساحتی در حدود 4147.22 کیلومتر مربع دارای میانگین دبی رودخانه و بارندگی سالانه به‌ترتیب 20 متر مکعب بر ثانیه و 539 میلیمتر است. بیشترین و کمترین ارتفاع حوضه، به‌ترتیب 3728 و 26 متر گزارش شده است. فعالیت‌های مختلفی نظیر کشاورزی و سدسازی در این رودخانه صورت می‌‌گیرد. در این پژوهش، از تلفیق دو مدل برنامه‌نویسی بیان ژن (GEP) و شبکه عصبی مصنوعی (ANN)، با یکی از الگوریتم پیشپردازش داده به‌نام EMD برای تخمین یکی از پارامتر مهم کیفیت آب به نام مواد جامد محلول (TDS) استفاده شد. بدین منظور، در این پژوهش، برای مدلسازی و برآورد مقادیر مواد جامد محلول از چندین داده کیفی شامل سدیم، کلسیم، منیزیم، سولفات بی‌کربنات، سولفوریک اسید و کلر که در بازه سالهای 1372 تا انتهای سال 1396 در ایستگاه ورند اندازه‌گیری شده، استفاده شد.
نتایج و بحث
در ابتدا، نتایج حاصل از دادههای مشاهداتی در طول مدت نمونه برداری نشان دادند که مقادیر TDS در حدود 80 درصد از نمونه‌ها در بازه 300 تا 600 میلی گرم بر لیتر بوده که بیانگر کیفیت خوب آب این رودخانه بوده است. برای مقایسه عملکرد مدلهای مستقل و ترکیبی برای تخمین پارامترهای کیفی رودخانه در مراحل آموزش و آزمون، شاخصهای آماری ضریب همبستگی (R)، ریشه میانگین مربعات خطا (RMSE)، میانگین انحراف خطا (MBE)، ضریب نش (NSE)، تابع هدف (OBJ) و نسبت RSD، استفاده شدند. نتایج حاصل از این مطالعه نشان داد که مدل ترکیبی حاصل از برنامه‌نویسی بیان ژن و تجزیه مود تجربی (EMD-GEP) توانست با کمترین خطا ( 0.23=RSD و 24.41=RMSE) عملکرد بالاتری را در مقایسه با سایر مدلها مانند مدل GEP ( 0.44 =RSD و RMSE=47.27) در تخمین این پارامتر کیفی آب داشته باشد. علاوه‌بر این، مدل ترکیبی حاصل از شبکه عصبی مصنوعی و تجزیه مود تجربی (EMD-ANN) با 36.64 =RMSE و 0.95=R بعد از EMD-GEP، در رتبه دوم قرار گرفت. مطابق نتایج حاصل از تابع هدف برای هریک از مدلها، مدل EMD-GEP دارای مقادیر تابع هدف کمتری (15.92=OBJ) نسبت به سایر مدلها در مدلسازی مواد جامد محلول است. درحالی‌که، بیشترین مقدار تابع هدف (29.34=OBJ) متعلق به مدلGEP است.
نتیجهگیری
به‌منظور، تخمین مواد جامد محلول در رودخانه تجن، از روشهای ANN و GEP در این پژوهش استفاده شد. سپس، برای تقویت برآوردها از الگوریتمهای تجزیه مود تجربی برای پیشپردازش دادههای سری زمانی استفاده شد. نتایج بهدست آمده از مدلهای هوشمند تلفیقی با استفاده از شاخصهای آماری خطا، مانند ضریب همبستگی، ریشه میانگین مربعات خطا، مورد ارزیابی قرار گرفت. نتایج نشان داد که روش EMD، باعث تقویت مدلهای ANN و GEP، در راستای تخمین این پارامتر کیفی آب در ایستگاه ورند شدهاند. بهطوریکه مدلهای ترکیبی حاصل از GEP و ANN توانست 48.35 درصد و 14.02 درصد خطای RMSE را به‌ترتیب در مقایسه با دو مدل مستقل GEP و ANN کاهش دهد.
نگار عین اله زاده؛ اتابک فیضی؛ فرناز دانشور وثوقی
چکیده
مقدمه
در سالهای اخیر، مواردی از قبیل رشد فعالیت‌های صنعتی، از بین رفتن محیط زیست و غیره، منجر به افزایش گازهای گلخانه‌ای و برهم خوردن تعادل اقلیمی شده است که این پدیده با عنوان تغییر اقلیم یاد می‌شود. تاثیر منفی این پدیده در سامانه‌های مختلفی همچون منابع آب، کشاورزی، صنعت و غیره، موجب نگرانی‌هایی برای جوامع ...
بیشتر
مقدمه
در سالهای اخیر، مواردی از قبیل رشد فعالیت‌های صنعتی، از بین رفتن محیط زیست و غیره، منجر به افزایش گازهای گلخانه‌ای و برهم خوردن تعادل اقلیمی شده است که این پدیده با عنوان تغییر اقلیم یاد می‌شود. تاثیر منفی این پدیده در سامانه‌های مختلفی همچون منابع آب، کشاورزی، صنعت و غیره، موجب نگرانی‌هایی برای جوامع بشری شده است. بنابراین، یکی از علت‌های اصلی نگرانی‌های امروزه، بحث تغییر اقلیم در ارتباط با منابع آب است. تغییر اقلیم و آثار آن، یکی از مهمترین چالش‌های مدیریت منابع آب و انرژی است که باید به‌صورت جدی بررسی شود و برنامه‌ریزی‌هایی به‌منظور مقابله با آثار آن بر منابع آب صورت گیرد. هدف از این پژوهش، یافتن مناسبترین مدل تغییر اقلیم برای منطقه و ارزیابی کارایی روشهای هوش مصنوعی در بررسی پدیده تغییر اقلیم است.
مواد و روش‌ها
یکی از معتبرترین روش‌ها، برای بررسی پارامترهای موثر بر پدیده‌های هیدرولوژیکی تحت تاثیر تغییرات اقلیم، استفاده از مدلهای گردش عمومی جو (GCM) است. برای استفاده از این مدلها در مقیاس منطقه‌ای، نیاز به انجام عملیات ریزمقیاس نمایی است. قبل از انجام فرایند ریزمقیاس‌نمایی، به‌علت تعداد زیاد پارامترهای حاصل از مدلهای گردش عمومی زمین، ابتدا باید موثرترین پارامترها از میان آن‌ها انتخاب شود. در این پژوهش، برای تعیین پارامترهای هواشناسی و هیدرولوژیکی ایستگاه سینوپتیک اردبیل، از 25 مدل سری پنجم گزارش IPCC، استفاده شد. برای تعیین مدل برتر از میان مدلهای بررسی شده، از شاخص ضریب همبستگی خطی بین مقادیر ماهانه بارش و دمای مشاهداتی با خروجی مدلهای GCM استفاده شد. همچنین، برای ریزمقیاس‌نمایی خروجی مدلهای GCM، از شبکه عصبی مصنوعی استفاده شد. قبل از بهکارگیری شبکه عصبی، برای رسیدن به یک شبکه ایده‌آل و بهینه، مناسبترین پارامترهای ورودی به شبکه از میان پارامترهای مدلهای GCM برتر منطقه، با استفاده از ضریب همبستگی خطی، تابع اطلاعات مشترک و درخت تصمیم M5، بررسی و انتخاب شدند.
نتایج و بحث
در این پژوهش، برای بررسی عدم قطعیت مدلهای GCM، 25 مدل از سری پنجم IPCC، مورد بررسی قرار گرفتند. نتایج بیانگر آن بود که سه مدل MRI-CGCM3 ،CMCC-CMS و MPI-ESMMR، مناسبترین ضرایب همبستگی را در ایستگاه سینوپتیک اردبیل ارائه می‌کنند. نتایج حاصل برای تعیین مناسبترین پارامترهای ورودی، به‌منظور ریزمقیاس‌نمایی با استفاده از سه روش ضریب همبستگی خطی، تابع اطلاعات مشترک و درخت تصمیم M5 نشان داد که الگوریتم درخت تصمیم، مناسبترین پارامترها را برای منطقه مورد نظر ارائه میکند. همچنین، نتایج حاصل از ریزمقیاس‌نمایی با شبکه عصبی با استفاده از متغیرهایی که با روش درخت تصمیم انتخاب شدند، عملکرد مناسب این روش را در انتخاب پارامترهای موثر ورودی شبکه عصبی نشان داد. بهطوریکه پارامترهای انتخاب شده مدل MRI-CGCM3، بهعنوان ورودی شبکه عصبی در روش ریزمقیاس‌نمایی پاسخ‌های بهتری را ارائه داده است. نتایج بهدست آمده با استفاده از پارامترهای انتخاب شده مدل MRI-CGCM3 نشان داد که در پارامتر بارش، مقدار DC، RMSE و CC برای دادههای آزمون، به‌ترتیب 0.39، 0.40 و 0.63 بهدست آمده و در پارامتر دما، مقدار DC، RMSE و CC برای دادههای آزمون مدل برتر، به‌ترتیب 0.9، 0.03 و 0.95 بوده است.
نتیجهگیری
عملکرد شبکه‌های ریزمقیاس‌نمایی، به شرایط اقلیمی منطقه وابسته است. برتری یک مدل در یک پژوهش، نمی‌تواند یک استدلال صحیح برای انتخاب آن مدل در تمامی مناطق باشد. بهتر است برای دستیابی به یک مدل بهینه، از مدلهای متنوع گردش عمومی زمین در منطقه استفاده شود. انجام چنین پژوهش‌هایی، می‌تواند پژوهشگران را برای بررسی پدیده‌های مختلف هیدرولوژیکی که ممکن است در آینده رخ دهد و عواقب جبران‌ناپذیری داشته باشد، کمک شایانی کند.
امید اسدی نلیوان؛ علیرضا رابط؛ فرزانه وکیلی تجره؛ مرضیه رمضانی؛ محمد مومنی؛ کهزاد حیدری
چکیده
مقدمهفرسایش خندقی یکی از انواع فرسایش آبی است که سهم زیادی در تخریب اراضی دارد و بهعنوان یکی از مهمترین مخاطرات محیطی در جهان و به‌خصوص در ایران شناخته شده است. در سالهای اخیر، فن‌های یادگیری ماشینی و سامانه اطلاعات جغرافیایی در زمینه تعیین مناطق حساس به فرسایش خندقی دارای کارایی بالایی بودهاند و باعث افزایش دقت و ...
بیشتر
مقدمهفرسایش خندقی یکی از انواع فرسایش آبی است که سهم زیادی در تخریب اراضی دارد و بهعنوان یکی از مهمترین مخاطرات محیطی در جهان و به‌خصوص در ایران شناخته شده است. در سالهای اخیر، فن‌های یادگیری ماشینی و سامانه اطلاعات جغرافیایی در زمینه تعیین مناطق حساس به فرسایش خندقی دارای کارایی بالایی بودهاند و باعث افزایش دقت و سرعت در زمینه ارزیابی، پتانسیل فرسایش خندقی شدهاند که این فن‌ها در تعیین عوامل موثر بر فرسایش خندقی نیز موثر بودهاند. اراضی لسی استان گلستان به‌دلیل عمق کافی و دانه‌بندی تقریبا یکنواخت سیلتی، استفاده مفرط، کشت در اراضی شیبدار و مدیریت غلط اراضی، فرسایش‌پذیری آبی بیشتری دارند، به طوری که همه انواع فرسایش را در این مناطق میتوان مشاهده کرد. متداول‌ترین نوع فرسایش در این مناطق، فرسایش خندقی است. حوزه آبخیز مورد مطالعه در استان گلستان، با افزایش زمین‌های دیم و رها شده، تغییر کاربری اراضی، حضور دام مازاد در جنگل‌ها و همچنین، افزایش جمعیت روبه‌رو است. لذا، این حوضه با افزایش حساسیت فرسایش خندقی مواجه است و باید مناطق دارای پتانسیل فرسایش خندقی شناسایی و مدیریت شوند. مواد و روش‌هاحوزه آبخیز مورد مطالعه با مساحت 222 هزار هکتار و دامنه ارتفاعی 58 تا 2168 متر، در شمال شرقی استان گلستان قرار دارد. میانگین بارندگی حوضه بین 224 تا 736 میلیمتر است. در این پژوهش، ابتدا موقعیت خندق‌ها از اداره کل منابع طبیعی و آبخیزداری استان گلستان دریافت شد. سپس، از مجموع 1127 موقعیت خندق، به‌صورت تصادفی 70 درصد بهعنوان دادههای آموزش و 30 درصد بهعنوان دادههای اعتبارسنجی طبقهبندی شدند. به‌منظور تعیین متغیرهای موثر در حساسیت فرسایش خندقی، 14 عامل شناسایی شد و در مرحله بعد تست همخطی بین متغیرها با استفاده از نرم‌افزار SPSS انجام شد. با استفاده از شاخصهای ضریب تحمل و عامل تورم واریانس در صورت وجود همخطی بین متغیرها از روند مدلسازی حذف شدند. با توجه به اهمیت نقشه مدل رقومی ارتفاع و کاربرد آن در تهیه عوامل مختلف پژوهش حاضر، مدل رقومی ارتفاع (با اندازه سلول 12.5 متر) با استفاده از تصاویر ماهواره ALOS تهیه شد. لایه‌های شیب و جهت شیب با استفاده از مدل رقومی ارتفاع و به‌ترتیب از توابع Slope و Aspect تهیه شدهاند. شاخص طول شیب در نرم‌افزار SAGA GIS، لایه‌های فاصله از آبراهه بر اساس نقشه آبراههها (استخراج از نرم‌افزار SAGA GIS) و فاصله از جاده بر اساس جاده‌های موجود و با استفاده از تابع فاصله اقلیدسی در نرم‌افزار ArcGIS تهیه شدند. لایه‌های تراکم آبراهه و تراکم جاده، بر اساس نقشه آبراههها و جاده‌های موجود در منطقه و با استفاده از تابع Line Density در نرم‌افزار ArcGIS بهدست آمدند. لایه سنگ‌شناسی از نقشه زمین‌شناسی منطقه (مقیاس 1:100000) استخراج شده است و لایه کاربری اراضی از اداره کل منابع طبیعی و آبخیزداری استان گلستان دریافت شد. نقشه بارندگی با استفاده از اطلاعات 35 ایستگاه باران‌سنجی تهیه شده است. ابتدا، میانگین بارندگی 26 ساله (دوره آماری مشترک) برای هر ایستگاه محاسبه شد و سپس، با استفاده از روش کریجینگ جهانی (به‌دلیل کمترین میزان RMSE) در نرم‌افزار ArcGIS پهنهبندی بارندگی انجام گرفت. لایه شاخص موقعیت توپوگرافیک، با استفاده از مدل رقومی ارتفاع و با کمک نرم‌افزار SAGA GIS تهیه شد. به‌منظور ارزیابی مدلها، از منحنی تشخیص عملکرد نسبی (ROC) جهت قدرت پیشبینی مدلها استفاده شد. نتایج و بحثنتایج نشان داد که بین متغیرها همخطی وجود ندارد و لذا، کلیه متغیرها در روند مدلسازی مورد استفاده قرار گرفتند. رابطه بین فرسایش خندقی و ارتفاع نشان داد که ارتفاعات پایینتر حساسیت بیشتری نسبت به ارتفاعات بالاتر دارند و نزدیک به آبراههها حساسیت فرسایش خندقی بیشتر است. نتایج نشان داد که با افزایش تراکم زهکشی، حساسیت فرسایش خندقی افزایش پیدا میکند. همچنین، پادگانههای قدیمی، شیل و لسها بیشترین تاثیر را بر حساسیت فرسایش خندقی دارند. نتایج نشاندهنده کاهش حساسیت فرسایش خندقی با کاهش شاخص HAND است. در واقع این نتیجه بیانگر این است که در مناطقی که میزان سطوح اشباع در سطح حوزه آبخیز افزایش مییابد، احتمال وقوع و حساسیت فرسایش خندقی افزایش پیدا میکند. نتایج نشان داد که در میان انواع کاربریها، مسیلها، مراتع فقیر و کاربری کشاورزی، دارای بیشترین حساسیت فرسایش خندقی هستند. این در حالی است که مناطق جنگلی دارای کمترین میزان حساسیت به این فرسایش بودهاند. نتایج نشان داد که در دامنه بارندگی 220 تا 420 میلیمتر، احتمال رخداد فرسایش خندقی افزایش پیدا کرده است و از دامنه 420 تا 500 میلیمتر، بالاترین میزان حساسیت را نشان داده است و با افزایش بارندگی از 500 میلیمتر، حساسیت فرسایش خندقی کاهش یافته است. از دلایل کاهش حساسیت فرسایش خندقی در بارندگیهای بالاتر میتوان به افزایش پوشش گیاهی و ایجاد شرایط مناسب برای زمینلغزشها اشاره کرد. نتایج نشان داد که عمق دره تا 235 متر، باعث افزایش احتمال فرسایش خندقی شده است و از 235 متر به بالا، باعث کاهش احتمال رخداد فرسایش شده است. نتایج نشان داد که نزدیک به جادهها میزان حساسیت فرسایش خندقی افزایش پیدا میکند و این مورد اثرات جادهسازی و تشدید شرایط برای فرسایش خندقی را نشان میدهد. نتیجه‌گیریاین پژوهش با هدف تعیین عوامل موثر بر فرسایش خندقی و پهنهبندی توزیع مکانی آن در شمال شرق استان گلستان انجام شد. در این پژوهش، با در نظر گرفتن 14 عامل مهم و با استفاده از مدلهای جنگل تصادفی، شبکه عصبی مصنوعی و درخت رگرسیون و طبقهبندی، نقشه حساسیت وقوع فرسایش خندقی تهیه شد. با توجه به اینکه شناسایی مناطق دارای حساسیت فرسایش خندقی مبتنی بر روشهای سنتی و نظرات کارشناسی از دقت قابل قبولی برخوردار نیست، استفاده از روشهای نوین یادگیری ماشینی امری ضروری است. نتایج نشان داد که عوامل فاصله از جاده و کاربری اراضی از مهمترین عوامل تاثیرگذار بر حساسیت فرسایش خندقی هستند که مدیریت کاربری اراضی را از سوی انسان می‌طلبد. منحنی ROC، نشان داد که دقت مدلها در برآورد مناطق دارای حساسیت فرسایش خندقی در مرحله آزمون عالی (ANN)، و در مرحله آزمون و اعتبارسنجی خیلی خوب (RF و CART) بوده است که به معنای عملکرد عالی مدلها است.
محمودرضا طباطبایی؛ امین صالح پور جم
چکیده
روابط بین پارامترهای کیفی آب رودخانه و فرایندهای فیزیکی، ژئوشیمیائی و بیولوژیکی انجامشده بین منابع حوضه (خاک، پوشش‌گیاهی، زمین‌شناسی، کاربری اراضی و غیره)، متغیرهای هواشناسی (دما، بارش، ذوب برف و غیره)، متغیر هیدرولوژیکی رودخانه (دبی) و همچنین دخالت‌های انسانی، اغلب بسیار پیچیده، غیر‌قطعی و غیرخطی بوده بهنحوی که درک ...
بیشتر
روابط بین پارامترهای کیفی آب رودخانه و فرایندهای فیزیکی، ژئوشیمیائی و بیولوژیکی انجامشده بین منابع حوضه (خاک، پوشش‌گیاهی، زمین‌شناسی، کاربری اراضی و غیره)، متغیرهای هواشناسی (دما، بارش، ذوب برف و غیره)، متغیر هیدرولوژیکی رودخانه (دبی) و همچنین دخالت‌های انسانی، اغلب بسیار پیچیده، غیر‌قطعی و غیرخطی بوده بهنحوی که درک کامل آن‌ها را غیرممکن می‌سازد. در این شرایط، استفاده از هوش محاسباتی (نظیر شبکه‌های عصبی مصنوعی) ابزار مناسبی در شبیه‌سازی و برآورد متغیرهای کیفی آب رودخانه نظیر بار رسوب معلق محسوب می‌شود. در پژوهش حاضر، با تلفیق کتابخانه‌های متن باز GIS و مدلهای شبکه عصبی مصنوعی (با ناظر و بدون ناظر)، سامانه مکانی هوشمندی، طراحی و کدنویسی شده است که می‌تواند در شرایط تکمتغیره یا چندمتغیره، رسوب معلق روزانه را برآورد کند. نتایج گرفتهشده از بهکارگیری این سامانه در حوزه آبخیز رودخانه مزلقان در محل ایستگاه هیدرومتری رازین نشان داد که این سامانه قادر است با کارائی و صحت‌سنجی مناسب (با ریشه میانگین مربعات خطا برابر 1033 تن در روز، میانگین قدر مطلق خطا 455 تن در روز و شاخص نش-ساتکلیف برابر 89/0 با دادههای آزمون)، رسوب معلق ایستگاه مورد مطالعه را شبیه‌سازی کند. در مجموع، این سامانه می‌تواند بهعنوان یک زیرساخت نرمافزاری در مقیاس ملی، در شبیه‌سازی و مدیریت رسوب معلق کلیه ایستگاه‌های هیدرومتری کشور مورد استفاده سازمان‌های ذیربط قرار گیرد.
سعید افخمی فر؛ امیرپویا صراف
چکیده
امروزه با توجه به اهمیت بالای مدیریت پایدار آبهای زیرزمینی، برای بررسی و ارزیابی منابع آب از مدلسازی و پیشبینی تراز آبهای زیرزمینی (GWL) استفاده می‌شود. هدف از این پژوهش، ارزیابی عملکرد دو مدل ماشین یادگیری بیشینه (ELM) و شبکه عصبی مصنوعی (ANN) و همچنین، تلفیق آن دو مدل با الگوریتم تبدیل موجک (W-ELM و W-) است که در نهایت برای بالا ...
بیشتر
امروزه با توجه به اهمیت بالای مدیریت پایدار آبهای زیرزمینی، برای بررسی و ارزیابی منابع آب از مدلسازی و پیشبینی تراز آبهای زیرزمینی (GWL) استفاده می‌شود. هدف از این پژوهش، ارزیابی عملکرد دو مدل ماشین یادگیری بیشینه (ELM) و شبکه عصبی مصنوعی (ANN) و همچنین، تلفیق آن دو مدل با الگوریتم تبدیل موجک (W-ELM و W-) است که در نهایت برای بالا بردن قدرت پیشبینی و بهینه‌کردن وزن‌های ورودی (وزن‌های بین لایه ورودی و پنهان) مدلها، از الگوریتم بهینه‌ساز ازدحام ذرات کوانتومی (QPSO) استفاده شده است. همچنین، در این مطالعه، از دادههای تراز آب زیرزمینی چاه‌های مشاهده‌ای (GWL)، میزان بارش (P) و همچنین، دمای متوسط (T) مربوط به حوضه دشت ارومیه با سری زمانی 36 ساله (1360–1396) که در مقیاس ماهانه جمع‌آوری شده، استفاده شده و به‌منظور بررسی عملکرد مدلها از سه معیار ضریب همبستگی (R)، جذر میانگین مربع خطا (RMSE) و میانگین قدر مطلق خطا (MAE) استفاده شده است. در این راستا، از 80 درصد داده‌ها (مهر 1360 تا شهریور 1389) به‌منظور آموزش مدلها و از 20 درصد داده‌ها (مهر 1389 تا شهریور 1396) به‌منظور بخش آزمون استفاده شده است. بر اساس نتایج پژوهش حاضر، مدل هیبرید تبدیل موجک-ماشین یادگیری بیشینه-بهینه‌ساز ازدحام ذرات کوانتومی (W-ELM-QPSO) با داشتن ضریب همبستگی (R) به‌ترتیب 0.991، 0.983 و 0.975 برای دوره‌های یک، دو و سه ماهه در بخش آزمون، عملکرد بهتری نسبت به دیگر مدلها داشته، همچنین، این مدل علاوه‌بر قدرت پیشبینی، از لحاظ سرعت آموزش و آزمون نیز نسبت به مدلهای دیگر از سرعت بالایی برخوردار است.
عادله علی‌جانپور شلمانی؛ علیرضا واعظی؛ محمودرضا طباطبایی
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 ...
بیشتر
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.
سعید فرزین؛ حمید میرهاشمی؛ حامد عباسی؛ زهره مریانجی؛ پیام خسروی‌نیا
چکیده
در پژوهش حاضر، حافظه بلندمدت و رفتار دینامیکی سیگنال سری زمانی جریان روزانه رودخانه خرم‌آباد که حوزه آبخیز آن کوهستانی و دارای کاربری شهری است، با استفاده از نمایه هرست بررسی شده است. مقدار نمایه هرست سیگنال رواناب رودخانه خرم‌آباد در بازه زمانی سالهای 1370 تا 1393 برابر با 0.8 بهدست آمد. این مقدار نشان از حافظه بلندمدت و دینامیک ...
بیشتر
در پژوهش حاضر، حافظه بلندمدت و رفتار دینامیکی سیگنال سری زمانی جریان روزانه رودخانه خرم‌آباد که حوزه آبخیز آن کوهستانی و دارای کاربری شهری است، با استفاده از نمایه هرست بررسی شده است. مقدار نمایه هرست سیگنال رواناب رودخانه خرم‌آباد در بازه زمانی سالهای 1370 تا 1393 برابر با 0.8 بهدست آمد. این مقدار نشان از حافظه بلندمدت و دینامیک غیر خطی سیگنال رواناب این رودخانه دارد. در ادامه، با بهکارگیری مدلهای شبکه عصبی و تبدیلات موجک، سری زمانی بارش-رواناب این رودخانه شبیه‌سازی شده است. در این راستا، با اتخاذ سری‌های زمانی بارش و بارش-رواناب بهعنوان ورودی در دو الگوریتم شبکه عصبی و ترکیب موجک-عصبی، چهار مدل شامل 1) بارش، عصبی، 2) بارش-رواناب، عصبی، 3) بارش، موجک-عصبی و 4) بارش-رواناب، موجک-عصبی تولید شده است. در مدلهای ترکیبی موجک-عصبی، سری زمانی بارش و رواناب به زیرسیگنال‌های فرکانس بالا و پایین تجزیه شدهاند. نتایج حاصل از ارزیابی میزان دقت و کارایی چهار مدل حاکی از آن است که مدل بارش-رواناب، موجک-عصبی با بهترین کارایی در سطح اطمینان 99 درصد، دقت بالایی در شبیه‌سازی رفتار رواناب دارد. به‌طوری که مقایسه نتایج مدل موجک-عصبی با مدل عصبی با استفاده از آزمون مرگان-گرنجر-نیوبلد، نشان از برتری معنی‌دار مدل نخست دارد. همچنین، نتایج ارزیابی سیگنال خطای چهار مدل اجرا شده با استفاده از دو آزمون نسبت وان‌نیومنو بویشاند نشان داد که یک نقطه جابهجایی معنی‌دار در سیگنال خطای مدل عصبی و سیگنال بارش-رواناب وجود دارد. بنابراین، وجود نوسان‌های بسیار متفاوت ماهانه و دوره‌ای شامل دو دوره 1377ـ1370 و 1393ـ1378 در رفتار بارش-رواناب منجر به کاهش کارایی و ضریب دقت مدل شبکه عصبی شده است. در صورتی‌که در مدل ترکیبی موجک-عصبی با اختصاص وزن نسبی به هر زیرسیگنال، تأثیر نوسان‌های کوتاه مدت، متوسط و بلند مدت در ایجاد خطای مدلسازی به‌نحو مؤثری کاهش یافته است.
حسن ترابی پوده؛ احمد گودرزی؛ رضا دهقانی
چکیده
شبیه‌سازی و ارزیابی آورد رسوب رودخانه از جمله مسائل مهم در مدیریت منابع آب می‌باشد. اندازه‌گیری مقدار رسوب به روشهای متداول عموماً مستلزم صرف وقت و هزینه زیادی بوده، گاهی از دقت کافی نیز برخوردار نیست. در این پژوهش برای تخمین رسوبات رودخانه کشکان واقع در استان لرستان، از شبکه عصبی موجک استفاده شد و نتایج آن با روشهای مرسوم هوشمند ...
بیشتر
شبیه‌سازی و ارزیابی آورد رسوب رودخانه از جمله مسائل مهم در مدیریت منابع آب می‌باشد. اندازه‌گیری مقدار رسوب به روشهای متداول عموماً مستلزم صرف وقت و هزینه زیادی بوده، گاهی از دقت کافی نیز برخوردار نیست. در این پژوهش برای تخمین رسوبات رودخانه کشکان واقع در استان لرستان، از شبکه عصبی موجک استفاده شد و نتایج آن با روشهای مرسوم هوشمند همچون شبکه عصبی مصنوعی مقایسه شد. پارامتر دبی، دما، میزان مواد جامد محلول در آب و بارش بهعنوان ورودی و دبی رسوب بهعنوان خروجی مدل در مقیاس زمانی ماهانه طی دوره آماری (1393-1364) انتخاب شد. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا و ضریب نش ساتکلیف برای ارزیابی و نیز مقایسه عملکرد مدلها مورد استفاده قرار گرفت. نتایج حاصله نشان داد، ساختار ترکیبی توانسته با استفاده از دو روش هوشمند مورد بررسی، در تخمین میزان رسوب نتایج قابل قبولی ارائه کند. لیکن از لحاظ دقت، مدل شبکه عصبی موجک با بیشترین ضریب همبستگی (0.850)، کمترین ریشه میانگین مربعات خطا (t day-1 0.051) و نیز معیار نش ساتکلیف (0.758) در مرحله صحت‌سنجی در اولویت قرار گرفت. در مجموع نتایج نشان داد که مدل شبکه عصبی موجک توانایی بالایی در تخمین مقادیر کمینه و بیشینه برخوردار است.
کورش شیرانی؛ فرزاد حیدری؛ علیرضا عرب‌عامری
چکیده
زمینلغزشها از مهمترین خطرات طبیعی هستند که نه تنها زندگی انسان را به خطر می‌اندازند، بلکه باعث ایجاد بار اقتصادی برای جامعه می‌شوند. با توجه به اهمیت تشخیص مناسبترین روش برآورد صحیح خطر زمین‌لغزش، در این پژوهش میزان کارایی دو روش شبکه عصبی مصنوعی و رگرسیون چندمتغیره مقایسه شد. بدین منظور ابتدا با استفاده از ...
بیشتر
زمینلغزشها از مهمترین خطرات طبیعی هستند که نه تنها زندگی انسان را به خطر می‌اندازند، بلکه باعث ایجاد بار اقتصادی برای جامعه می‌شوند. با توجه به اهمیت تشخیص مناسبترین روش برآورد صحیح خطر زمین‌لغزش، در این پژوهش میزان کارایی دو روش شبکه عصبی مصنوعی و رگرسیون چندمتغیره مقایسه شد. بدین منظور ابتدا با استفاده از عکس‌های هوایی، تصاویر ماهواره‌ای، نقشه‌های زمین‌شناسی و بررسی‌های میدانی نقشه پراکنش زمینلغزشها تهیه شد. همچنین، با استفاده از بررسی‌های میدانی و مرور مطالعات انجام شده اقدام به بررسی و تعیین نه پارامتر موثر در رخداد زمین‌لغزش شامل لیتولوژی، کاربری اراضی، شیب، جهت شیب، ارتفاع، بارش، فاصله از گسل، فاصله از جاده و تراکم شبکه زهکشی شد. پس از تهیه لایه‌های اطلاعاتی با استفاده از GIS و وزن‌دهی به عوامل موثر، با استفاده از نقشه پراکنش زمین‌لغزش، اقدام به تهیه نقشه‌های پهنهبندی خطر زمین‌لغزش با استفاده از روشهای شبکه عصبی مصنوعی و رگرسیون چند متغیره شده و نتایج مورد ارزیابی قرار گرفت. با توجه به اینکه برای ارزیابی مدل نمی‌توان از همان لغزش‌هایی استفاده نمود که در پهنهبندی استفاده شدهاند، لذا، از بین نقاط لغزشی، 70 درصد (140 عدد) برای اجرای مدل و 30 درصد (60 عدد) برای ارزیابی مدلها مورد استفاده قرار گرفت. مقادیر شاخصهای مجموع کیفیت (QS) و دقت (P) به‌ترتیب برای روش شبکه عصبی (0.15 و 0.08) و برای روش رگرسیون چند متغیره (0.14 و 0.05) بوده که این نتایج بیانگر تناسب بیشتر نتایج مدل شبکه عصبی در پهنهبندی منطقه مورد مطالعه می‌باشد. بدین ترتیب با انتخاب بهترین روش پهنهبندی، میتوان به نقشه پهنهبندی خطر قابل اعتماد و نتایج مطلوب‌تری دست یافت.
علیرضا مجیدی؛ غلامرضا لشکری‌پور؛ ضیاءالدین شعاعی
چکیده
پتانسیل تورمی خاک‌های ریزدانه از جمله عوامل موثر بر فرسایش و رفتار مکانیکی آن‌ها و همچنین از دادههای ضروری در مراحل مطالعه، طراحی، اجرای و انتخاب مصالح اغلب سازه‌های مهندسی به خصوص سازه‌های هیدرولیکی هستند. در این پژوهش به‌منظور پیشبینی پتانسیل تورمی خاک‌های ریزدانه مارنی از مدل شبکه عصبی مصنوعی پرسپترون چند لایه و الگوریتم ...
بیشتر
پتانسیل تورمی خاک‌های ریزدانه از جمله عوامل موثر بر فرسایش و رفتار مکانیکی آن‌ها و همچنین از دادههای ضروری در مراحل مطالعه، طراحی، اجرای و انتخاب مصالح اغلب سازه‌های مهندسی به خصوص سازه‌های هیدرولیکی هستند. در این پژوهش به‌منظور پیشبینی پتانسیل تورمی خاک‌های ریزدانه مارنی از مدل شبکه عصبی مصنوعی پرسپترون چند لایه و الگوریتم آموزش لونبرگ-مارکوارت استفاده شده است. به‌منظور مشخص نمودن بهترین مدل پیشبینی پتانسیل تورمی خاک‌های مارنی، چند عامل مختلف از جمله ساختار شبکه و ترکیب پارامترهای ورودی، به‌طور هم‌زمان و در ارتباط با یکدیگر به روش سعی و خطا مورد بررسی و ارزیابی قرار گرفت. در این تحقیق از نتایج آزمایش‌های فیزیکو شیمیایی و مکانیکی انجام شده بر روی 60 نمونه خاک ریزدانه مارنی با سنگ مادری مارن‌های نئوژن، سازندهای قم و قرمز بالایی که از حوضه دریاچه نمک و در نواحی تهران، قم و ساوه برداشت شده، استفاده شده است. در این تحقیق از پارامتر شیمیایی قابلیت هدایت الکتریکی اشباع خاک EC، بهعنوان یک پارامتر جدید همراه با پارامترهای شاخص و فیزیکی نظیر، حدود اتربرگ، دانه‌بندی، عدد فعالیت خاک، درصد پوکی و دانسیته اولیه خاک در پیشبینی پتانسیل تورمی خاک استفاده شد. مقادیر معیارهای ارزیابی R2 ،RMSE و ضریب کارایی مدل MCE مربوط به بهترین مدل با پارامترهای فیزیکی Yd0، C، M، A، PI و LL به‌ترتیب برابر 0.89، 2.3 و 0.84 و برای بهترین مدل با پارامترهای فیزیکی Yd0، C، M، PI، LL به همراه پارامتر EC به‌ترتیب برابر 0.92، 1.7 و 0.91 می‌باشد. به این ترتیب نتایج معیارهای ارزیابی مدلهای شبکه عصبی نشان داد که استفاده از پارامتر هدایت الکتریکی اشباع خاک به همراه دیگر پارامترهای خاک، باعث افزایش دقت و کارایی مدل شبکه عصبی در پیشبینی پتانسیل تورمی خاک‌های ریزدانه مارنی می‌شود.
