علوم آب
عاطفه کاظمی چولانک؛ فرشته مدرسی؛ ابوالفضل مساعدی
چکیده
رواناب پدیدهای مهم در چرخه هیدرولوژیکی است، از این رو پیش‌بینی میزان رواناب رودخانه برای اهدافی نظیر برنامه‌ریزی فعالیت‌های کشاورزی، پیش‌بینی سیلاب و تأمین آب مصرفی حائز اهمیت است. پیچیده بودن مدل‌های فیزیکی یکی از دلایلی است که باعث شده پژوهشگران به مدل‌های داده‌مبناء و مبتنی بر هوش مصنوعی روی آورند. وجود تغییرات آماری ...
بیشتر
رواناب پدیدهای مهم در چرخه هیدرولوژیکی است، از این رو پیش‌بینی میزان رواناب رودخانه برای اهدافی نظیر برنامه‌ریزی فعالیت‌های کشاورزی، پیش‌بینی سیلاب و تأمین آب مصرفی حائز اهمیت است. پیچیده بودن مدل‌های فیزیکی یکی از دلایلی است که باعث شده پژوهشگران به مدل‌های داده‌مبناء و مبتنی بر هوش مصنوعی روی آورند. وجود تغییرات آماری در داده‌ها سبب می‌شود که مدلسازی جریان رودخانه با مدل‌های داده‌مبناء با مشکلاتی در فرآیند یادگیری مدل همراه باشد. لذا لازم است با مدلسازی تلفیقی، دقت پیش‌بینی جریان ارتقاء یابد. هدف تحقیق حاضر، ارزیابی کارایی انواع موجک‌های گسسته و پیوسته در مدل ترکیبی موجک-شبکه عصبی (WANN) برای پیش‌بینی جریان ماهانه رودخانه کارده در ایستگاه ورودی به سد کارده است. بدین منظور، دو موجک گسسته Haar و Fejer-Korovkin2 و دو موجک پیوسته Symlet3 و Daubechies2 در ترکیب با مدل ANN مورد ارزیابی قرار گرفت. بررسی داده‌های هواشناسی و هیدرومتری در یک دوره 30 ساله (1370-1399) نشان داد که جریان ماهانه در دو گام زمانی T-1 و T-2 بهترین متغیرهای پیش‌بینی‌کننده (در سطح اطمینان 95%) بودند. آنالیزهای ترکیبی در سه سطح تجزیه انجام و کارایی مدل‌ها با روش صحت‌سنجی متقاطع در4 سطح مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل‌های ترکیبی دارای دقت بالاتری نسبت به مدل ANN بودند و مدل ترکیبی پیشنهادی Symlet3-ANN در سطح 3، نتایج بهتری نسبت به سایر مدل‌ها ارائه داد، بطوری‌که شاخص‌های R، RMSE و NSE در بخش واسنجی به‌ترتیب 90/0، 25/0 و 81/0 و در بخش صحت‌سنجی به‌ترتیب 85/0، 30/0 و 62/0 بود. همچنین ملاحظه شد دقت نتایج در سطح دو و سه تفاوت معناداری ندارند و بهتر است جهت کاهش مؤلفههای ورودی به مدل ANN و کاهش زمان اجرای مدل، تجزیه در سطح دو انجام شود.
علوم آب
محمدتقی ستاری؛ سحر جاویدان
چکیده
آگاهی از کیفیت آب، یکی از نیازهای مهم در برنامه‌ریزی، توسعه و حفاظت از منابع آب برای مصارف مختلف از جمله شرب به شمار می‌رود. استفاده از روش‌های مدرن داده‌کاوی، می‌تواند رویکرد مناسبی برای پیش‌بینی و طبقه‌بندی کیفیت آب باشد. در پژوهش حاضر، برای محاسبه شاخص کیفی آب شرب از پارامترهای شیمیایی شامل سختی کل، قلیائیت، هدایت الکتریکی، ...
بیشتر
آگاهی از کیفیت آب، یکی از نیازهای مهم در برنامه‌ریزی، توسعه و حفاظت از منابع آب برای مصارف مختلف از جمله شرب به شمار می‌رود. استفاده از روش‌های مدرن داده‌کاوی، می‌تواند رویکرد مناسبی برای پیش‌بینی و طبقه‌بندی کیفیت آب باشد. در پژوهش حاضر، برای محاسبه شاخص کیفی آب شرب از پارامترهای شیمیایی شامل سختی کل، قلیائیت، هدایت الکتریکی، کل مواد جامد محلول، کلسیم، سدیم، منیزیم، پتاسیم، کلر، کربنات، بیکربنات و سولفات ایستگاه هیدرومتری باغ کلایه استان قزوین، در دوره آماری 23 ساله (1998-2020) استفاده شد. روش درخت تصادفی برای تخمین و مدلسازی مقادیر عددی شاخص کیفی آب شرب براساس ترکیب‌های مختلفی از پارامترهای شیمیایی به کار برده شد. ماتریس همبستگی و الگوریتم رلیف، مبنای انتخاب ترکیب‌های مختلفی از پارامترهای شیمیایی به‌عنوان ورودی روش‌های داده‌کاوی در قالب سناریوهای مختلف در نظر گرفته شدند. در جهت بهبود نتایج تخمین عددی شاخص کیفی آب شرب، از رویکردهای تبدیل موجک، دسته‌بندی مدل‌ها و تحلیل مؤلفه اصلی استفاده شد. بررسی نتایج نشان داد که ترکیب 3 روش تحلیل مؤلفه اصلی (با در نظر گرفتن 3 عامل اصلی)، رویکرد پیش‌پردازش Bagging و درخت تصادفی، با ضریب همبستگی برابر با 98/0، ریشه میانگین مربعات خطا برابر با 17/2، میانگین خطای قدر مطلق برابر با 52/1 و ضریب ویلموت اصلاح شده برابر با 97/0 می‌تواند دقت بالایی در تخمین مقادیر عددی شاخص کیفی آب شرب داشته باشد. براساس نتایج کلی به دست آمده، در صورت کمبود نمونه‌های آزمایشگاهی و یا عدم دسترسی به تمام پارامترهای شیمیایی، روش‌های معرفی شده در این مطالعه، به علت دقت بالا جهت تخمین شاخص کیفی آب شرب قابل توصیه خواهند بود.
طاهر رجایی؛ رقیه رحیمی بنماران
چکیده
کنترل کیفیت آب رودخانه کرج، به عنوان یکی از مهم ترین منابع تأمین کننده آب از اهمیت بسزایی برخوردار است. پیش بینی پارامترهای کیفی آب، ابزاری سودمند در جهت مدیریت منابع آب می باشد. در این تحقیق، عملکرد مدل‌های شبکه عصبی مصنوعی (ANN)، مدل ترکیبی شبکه
عصبی–موجک (WANN) ورگرسیون خطی چند متغیره (MLR)، در پیش بینی یک ماه آینده یون نیترات و کلراید ...
بیشتر
کنترل کیفیت آب رودخانه کرج، به عنوان یکی از مهم ترین منابع تأمین کننده آب از اهمیت بسزایی برخوردار است. پیش بینی پارامترهای کیفی آب، ابزاری سودمند در جهت مدیریت منابع آب می باشد. در این تحقیق، عملکرد مدل‌های شبکه عصبی مصنوعی (ANN)، مدل ترکیبی شبکه
عصبی–موجک (WANN) ورگرسیون خطی چند متغیره (MLR)، در پیش بینی یک ماه آینده یون نیترات و کلراید ایستگاه ورودی آبگیر بیلقان واقع در رودخانه کرج، مورد ارزیابی قرار گرفت. برای این منظور از یک دوره آماری جهت ورودی مدل ها استفاده شد. در مدل ترکیبی WANN سری های زمانی واقعی دبی و پارامتر کیفی مورد نظر (نیترات و کلراید) توسط آنالیز موجک در سطوح مختلف تجزیه شده و به عنوان ورودی ANN به کار گرفته شد. کارایی مدل ها با ضریب تببین (E) و ریشه میانگین مربعات خطا (RMSE) ارزیابی شدند. نتایج حاکی از دقت بالای مدل ترکیبی شبکه
عصبی- موجکی نسبت به دو مدل دیگر بوده است؛ به‌طوریکه مدل ترکیبی شبکه عصبی –موجکی قادر بود میزان RMSE را برای یون نیترات در مقایسه با مدل شبکه عصبی و رگرسیون خطی چند متغیره به ترتیب به مقدار 13/30 درصد و 89/71 درصد و برای یون کلراید، به اندازه 3/31 درصد و 1/57 درصد بهبود بخشد. در ادامه، توانایی هر سه مدل، برای پیش بینی نقاط پیک سری زمانی بررسی شد که مدل ترکیبی WANNپیش بینی بهتری را در مقایسه با دو مدل دیگر در برداشت.
سجاد شهابی؛ محمد جواد خانجانی
چکیده
در این مقاله روشی برای برآورد ریسک وقوع سیلاب، در مواردی که فرض استقلال داده ها اهمیت نداشته یا قابل بررسی نباشد ارائه می شود. در مطالعه‌ی حاضر، یک مدل تبدیل موجک با استفاده از تابع انرژی برای برآورد ریسک سیلاب توسعه داده شده است. این کار با استفاده از داده های دبی حداکثر روزانه ی ایستگاه هیدرومتری طول لات واقع بر رودخانه ی پلرود در ...
بیشتر
در این مقاله روشی برای برآورد ریسک وقوع سیلاب، در مواردی که فرض استقلال داده ها اهمیت نداشته یا قابل بررسی نباشد ارائه می شود. در مطالعه‌ی حاضر، یک مدل تبدیل موجک با استفاده از تابع انرژی برای برآورد ریسک سیلاب توسعه داده شده است. این کار با استفاده از داده های دبی حداکثر روزانه ی ایستگاه هیدرومتری طول لات واقع بر رودخانه ی پلرود در شرق استان گیلاندر فاصله ی سال های 1354 تا 1386 انجام شده است. در این مطالعه نتایج روش انرژی موجک با روش های چگالی موجک، حداکثر سالانه و سری های جزئی مورد ارزیابی قرار گرفته است. نتایج نشان می دهد که برآورد ریسک سیلاب با استفاده از تابع انرژی موجک مقادیر بزرگتری را نسبت به تابع چگالی ارائه کرده، اما در مقایسه با نتایج روش های سنتی همچون حداکثر سالانه، مقادیر کوچکتری را به دست می دهد. برای مثال در دوره ی بازگشت ده ساله میزان تخمین از کمتر از 10 مترمکعب در ثانیه برای تابع چگالی به حدود 95 مترمکعب در ثانیه با استفاده از تابع انرژی موجک افزایش یافته است.در پایان این مقاله نشان می-دهد که شرایط هیدرولوژیکی حوضه و طبیعت داده ها مهمترین پارامترها در بهتر کردن نتایج برآورد ریسک سیلاب و انتخاب بهترین روش می-باشد.
علیرضا عراقی؛ محمد موسوی بایگی؛ سیدمجید هاشمی نیا
چکیده
دوره تناوب و روند، دو شاخص مهم و تاثیرگذار در سری زمانی داده‌های هیدرواقلیمی هستند و به دلیل اهمیت فراوان، تاکنون روش‌های مختلفی برای مطالعه آنها ارائه و به کار گرفته شده است. این روش‌ها عمدتاً پایه آماری داشته و اغلب در گروه آزمون‌های ناپارامتری قرار دارند. روش تبدیل موجک، روشی قدرتمند با پایه ریاضی است که در سالهای اخیر در مباحث ...
بیشتر
دوره تناوب و روند، دو شاخص مهم و تاثیرگذار در سری زمانی داده‌های هیدرواقلیمی هستند و به دلیل اهمیت فراوان، تاکنون روش‌های مختلفی برای مطالعه آنها ارائه و به کار گرفته شده است. این روش‌ها عمدتاً پایه آماری داشته و اغلب در گروه آزمون‌های ناپارامتری قرار دارند. روش تبدیل موجک، روشی قدرتمند با پایه ریاضی است که در سالهای اخیر در مباحث تحلیل سیگنال و سریهای زمانی کاربرد فراوانی یافته است. در این پژوهش، با بکارگیری این روش در کنار روش من- کندال دنبالهای، میزان تشابه روند و الگوهای تناوبی غالب در پارامترهای دما و فشار بخار در ایستگاههای سینوپتیک بابلسر، تهران و شاهرود در دوره آماری 55 ساله (1956 تا 2010) مورد مطالعه قرار گرفته است. نتایج نشان میدهد که در اقلیمهای خشک و نیمه خشک، الگوهای نوسانی بلند مدت و در اقلیمهای مرطوب، الگوهای نوسانی کوتاه مدت دما و فشار بخار، همبستگی بیشتری دارند و طول دوره تناوبی غالب با خشکی منطقه افزایش میابد.
