پروپوزال پيش بينی جريان رود خانه با استفاده از روش ماشين های بردار پشتيبان رگرسيونی

دسته بندي : فنی و مهندسی » عمران
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.