توضیحات:
پيش بينی جريان رود خانه با استفاده از روش ماشين های بردار پشتيبان رگرسيونی
تعداد صفحات 19
فرمت word
مساله تحقیق
یکی از ابزارهاي اساسی در مدیریت منابع آبی پیش¬بینی عرضه و تقاضاي آب می¬باشد. مقدار دبی یا جریان آبی یک حوضه آبخیز از اهمیت زیادي برخوردار است چرا که کمبود آن می¬تواند منجر به خسارات مالی و مازاد آن به صورت سیلاب باعث خسارات جانی و مالی شود. از این رو پیش¬بینی جریان آبی به صورت کوتاه مدت به دلیل رابطه مستقیم آن با چگونگی تعامل مدیران با خطرات جانی ناشی از سیلاب¬ها، از اهمیت خاصی برخوردار است. از طرفی دیگر مطالعات جریانات آبی در بلند مدت (ماهیانه) در پیش¬بینی میزان جریان آبی در فصول کم آبی و کم بارش از اهمیت بسیار بالایی برخوردار است. به عبارتی مدیریت و پایش جریانات آبی در بلند مدت باعث استفاده بهینه از پتانسیل¬های آبی به منظور بهره بـرداری از مـنابع آبی خواهد بود. در صورت وجود خشکسالی بهره¬برداران منابع آبی با مشکل مواجه مـی¬شـوند، گـرچه در صـورت رخـداد فصـل پرآبـی نـیز بهره¬برداری به موقع از منابع باید صورت پذیرد؛ در این راستا آنالیز و بررسی ماهیانه می¬تواند به عـنوان یک ابـزار اصـلی در مطالعات هیدرولوژی باشد. علاوه بر این لزوم پیش¬بینی مناسب جریان رودخانه¬ای به صورت بلند مدت، در کارهاي عمرانی، ساماندهی رودخانه¬ای، و طراحی و برنامه¬ریزي منابع آب سطحی کاملاً احساس می¬شود (غفاری و وفاخواه، 1392).
از طرفی دیگر هر واحد هيدرولوژي و یا حوضه آبخيز می¬تواند به عنوان يك واحد ژئومورفولـوژي بـه حـساب ¬آيـد که داراي معمـاري و چـشم¬انـداز ژئومورفولوژيكي خاص و بي¬نظيري است. بی تردید ژئومورفولوژی حوضه آبریز بر میزان جریانات آبی آن منطقه بسیار تاثیر گذار است. از این در نظر داشتن صرفا میزان بارندگی در مطالعه¬ی جامع میزان جریان رودخانه¬ای و تخمین آن کافی نخواهد بود. بدین منظور لازم است علاوه بر بارندگی پارامترهای موثر دیگر که عمدتا وابسته به منطقه هستند نیز در پروسه مطالعه و بررسی جریان رودخانه¬ای در نظر گرفته شود. متاسفانه در بیشتر مطالعات صورت گرفته در حوضه¬های آبی مختلف کشور، تنها پارامتر مقدار بارندگی جهت آنالیز و مدلسازی جریان رودخانه¬ای در نظر گرفته شده است. از این رو بدون شک در نظر داشتن فاکتورهای موثر بیشتری بر جریان رودخانه¬ای نظیر توپوگرافی منطقه، دما ، میزان تبخیر و تعرق و غیره می¬تواند به بررسی جامع¬¬تری از میزان جریان رودخانه¬ای بیانجامد. به عبارتی نتایج مطالعه جامع باعث تصمیم-گیری دقیق¬تر و جلوگیری از خسارات بیشتر خواهد بود.
....
فهرست منابع و مآخذ
• امیدوار، ک.؛ اژدرپور، م.؛ (1391)، مقایسه شبکه عصبی مصنوعی و مدل HEC – HMS در برآورد بارش – دبی درحوضه آبریز رودخانه اعظم هرات. فصلنامه تحقیقات جغرافیایی. سال 27.شماره چهارم.شماره پیاپی 107، ص. 140-160.
• جهانگير، ع؛ رائيني، ح؛ و ضياء احمدي، م.، (1387)، شبيه سازي فرآيند بارش ـ دبی با شبكه عصبي مصنوعي (ANN) و مقايسه با مدل HEC-HMS در حوزه معرف كارده. نشریه آب و خاك (علوم و صنايع كشاورزي). دوره 22 .شماره 2، ص72-84.
• زارع¬ابيانه، ح.؛ بيات وركشي،م؛ (1390)، ارزيابي مدلهاي هوشمند عصبي و تجربي در تخمين دبی سالانه درحوضه زاینده رود. نشريه آب و خاك (علوم و صنايع كشاورزي).جلد 25، شماره 2، ص.365-379 .
• سعادتی، ح.؛ غلامي، ش.؛ شريفي، ف.؛ و ايوبزاده، س.ع.؛ (1385)، .بررسي اثرات تغيير كاربري اراضي در جریان آب سطحي مدل شبيه¬سازي، مجله منابع طبيعي ايران، جلد ۵۹، شماره ۲، ص1-17.
• شمس¬زاده، ب.؛ صادقی¬فر، م.؛ و حاجی¬بابایی، س.؛ (1391)، مدلسازي و پيش بيني قيمت سهام با استفاده از مدل رگرسيون بردارپشتيبان (SVR) و مقايسه آن با مدل كلاسيك ARIMA، اولين همايش ملي حسابداري و مديريت.
• غفاری، غ.؛ وفاخواه، م.؛ (1392).شبیه سازي فرآیند بارش- دبی با استفاده از شبکه عصبی مصنوعی و سیستم فازي- عصبی تطبیقی (مطالعه موردي: حوزه آبخیز حاجیقوشان)، پژوهشنامه مدیریت حوزه آبخیز سال چهارم/ شماره 8، ص. 21-38.
• نوری، و.؛ کیان نژاد، م.ع.؛ و مالکی ؛ (1388) ،کاربرد شبکه فازی تطبیقی در مدلسازی دبی-بارش، ژورنال مهندسی عمران و محیط زیست، شماره 39، ص 75-81.
• یاری، ر.؛ کهنه، ع.؛ جندقی، ن.؛ و خجسته، ف.؛ (1390)، بررسي تأثير تغيير كاربري اراضي بر ضريب جریان آب سطحي و دبي اوج سيلاب در دوره بازگشتهاي مختلف (مطالعه موردي: حوزه آبخيز النگدره گرگان). ششمين همايش ملي علوم و مهندسي آبخيزداري ايران.
• سادات آشفته، پ، و مساح بوانی، ,؛ (1391)، بررسي تأثير عدم قطعيت مدلهاي چرخه عمومي جو و اقيانوس ( AOGCM ) و سناريوهاي انتشار گازهاي گلخانهاي بر رواناب حوضه تحت تأثير تغيير اقليم، مطالعه موردي : حوضه قرنقو، آذربايجان شرقي، انجمن علوم و مهندسی منابع آب، تحقيقات منابع آب ايران، سال هشتم، شماره 2، ص. 36-47.

• Andrews R.G., (1954); The use of relative information indices in computing run off, Soil Conservation Service, Fort Worth, Texas.
• Dunkerley, David.,(2012); "Effects of rainfall intensity fluctuations on infiltration and runoff: rainfall simulation on dryland soils, Fowlers Gap, Australia." Hydrological Processes 26, no. 15 : p.2211-2224.
• Gholami, V.,(2013); "The influence of deforestation on runoff generation and soil erosion (Case study: Kasilian Watershed)." J. FOR. SCI 59, no. 7 : p. 272-278.
• Jain, Manoj K.et al.,2004; "A GIS based distributed rainfall–runoff model." Journal of Hydrology 299, no. 1 : p. 107-135
• Li, R. L., Y. C. Zhang, Zhuang Liu, Yuan Zeng, W. X. Li, and H. L. Zhang.,(2010); "[Rainfall intensity effects on nutrients transport in surface runoff from farmlands in gentle slope hilly area of Taihu Lake Basin]." Huan jing ke xue= Huanjing kexue/[bian ji, Zhongguo ke xue yuan huan jing ke xue wei yuan hui" Huan jing ke xue" bian ji wei yuan hui.] 31, no. 5 : p. 1220-1226.
• Mahmoud, Shereif H.,(2014); "Investigation of rainfall–runoff modeling for Egypt by using remote sensing and GIS integration." Catena 120 : p. 111-121.
• Mittal, Pallavi, et al.,(2012), "Dual artificial neural network for rainfall-runoff forecasting." Journal of Water Resource and Protection, p.1008-1024.
• N.J.de Vos and T.H.M. Rientijes, (2005), Constraints of Artificial Neural Networks for Rainfall-runoff Modeling, Trade-offs in Hydrological State Representation and Model Evaluation, Paper, Hydrology and Earth System Sciences Discussions, p. 365-415.
• Sezin Tokar, A. and Momcilo Markus, (2000), Precipitation-runoff Modeling Using Artificial Neural Networks and Conceptual Models, Journal of Hydrologic Engineering/April/ Vol 5, No. 2, p. 156-161
• Sherman, L. K.,(1949); "The unit hydrograph method." Physics of the Earth. OE Menizer Ed. Dover Publications, Inc. New York, NY : p.514-525.
• Stamy T.C., and Hess G.W. (1993). Techniques for estimating magnitude and frequency of floods in rural basins in Georgia. Water Resources Investigation Report 93-4016, USGS Publication, 94 Pp.
• Tayfur, G. and V.P. Singh. (2006)." ANN and fuzy logic for simulating event-based rainfal- runof. Journal of Hydrologic Enginering", 132(12), p. 1321-1329.
• Song, Xiao-meng, et al., (2011); "Hybrid optimization rainfall-runoff simulation based on Xinanjiang model and artificial neural network." Journal of Hydrologic Engineering 17.9, p. 1033-1041.
• Vaze, J., D.A. Post, F.H.S. Chiew, J.M. Perraud, N.R. Viney and J. Teng. (2010); Climate non-stationarity-validity of calibrated rainfall–runoff models for use in climate change studies. Hydrology, 394: p. 447-457.
• Smola, A. J. and B. Schölkopf (2004). "A tutorial on support vector regression." Statistics and computing 14(3), p.199-222.