جستجوی مقالات مرتبط با کلیدواژه « رواناب روزانه » در نشریات گروه « آبخیزداری، بیابان، محیط زیست، مرتع »
تکرار جستجوی کلیدواژه «رواناب روزانه» در نشریات گروه «کشاورزی»-
پیشبینی جریان رودخانه ها نقش بسزایی در برنامهریزی، مدیریت و بهرهبرداری از منابع آب دارد. برای دستیابی به این هدف و با توجه به پدیدهی گرمایش جهانی، لازم است سری زمانی بارش و رواناب روزانه برای دوره های آتی شبیهسازی شود. لذا ضروریست آشکارسازی رخداد تغییر اقلیم و تاثیر آن بر بارش و رواناب در سطح حوزه مورد بررسی قرار گیرد. در گام اول این پژوهش، با استفاده از آزمون آماری روند من-کندال، رخداد تغییر اقلیم در حوزه پاشاکلا بابل در استان مازندران به اثبات رسید. نتایج بررسی 36 سال آمار متوسط دمای روزانه، نشاندهنده روند افزایشی متوسط دما در سطح حوزه میباشد. در گام دوم، از مدل لارس تحت مدل گردش عمومی جو HadCM3 و سناریوی A2، برای تولید سری زمانی بارش روزانه در دوره آتی استفاده شد. بهاین منظور داده های بارش، دمای کمینه، دمای بیشینه و ساعات آفتابی برای دوره پایه 12 ساله (2015-2004) وارد مدل شده و سری زمانی بارش روزانه در سطح حوزه برای دوره آتی 10 ساله (2025-2016) پیشبینی شد. در گام سوم، از مدل شبکه عصبی مصنوعی، برای شبیهسازی فرآیند بارش-رواناب در شرایط تغییر اقلیم و تولید سری زمانی رواناب روزانه در دوره آتی استفاده شد. در نهایت، بهمنظور بالا بردن قابلیت مدل شبکه عصبی مصنوعی در پیشبینی رواناب روزانه، علاوه بر داده های بارش روزانه پیشبینی شده، داده های بارش و رواناب یک روز قبل نیز به عنوان عوامل موثر در رواناب روز جاری وارد مدل شده و با استفاده از نرونهای بارش و رواناب ضریب همبستگی برابر با 8/0 بهدست آمد. این ضریب همبستگی در سطح 1 درصد معنیدار بوده و نشاندهنده قابلیت مدل در شبیهسازی فرآیند بارش-رواناب میباشد.کلید واژگان: تغییر اقلیم, رواناب روزانه, مدل شبکه عصبی مصنوعی, مدل لارس}River flow forecasting plays an important role in planning, management and operation of water resources. To achieve this goal and according to the phenomenon of global warming, it is necessary to simulate the daily time series of rainfall and runoff for future periods. Therefore, it is important to survey the detection of climate change event and its impact on precipitation and runoff in the basin. In the first step of this research, using Mann-Kendall trend statistical test, climate change event in the Pashakola Babol basin in Mazandaran province is confirmed. The results of the survey on 36 years daily mean temperature data, reflect the increasing trend in average temperature in the basin. In the second step, the LARS-WG model under general circulation models HadCM3 and A2 scenario is used to generate the daily rainfall time series in the future period. In order to rainfall data, minimum temperature, maximum temperature and sunshine hours is entered in the model for 12-year base period (2004-2015) and Then daily rainfall time series in the basin is predicted for the next 10-year period (2016-2025). In the third step, the artificial neural network model is used to simulate the process of rainfall - runoff in the climate change condition and to generate the daily runoff time series in the future period. Finally, in order to enhance the capability of the artificial neural network model in predicting the daily runoff, besides the predicted daily precipitation data, the rainfall and runoff data one day before as effective factors on the current day runoff is also entered in the model and using rainfall and runoff neurons. Correlation coefficient was obtained equal to 0.8. This correlation coefficient is significant at 1% and show the ability of model to simulate rainfallrunoff process.Keywords: Artificial Neural Networks Model, Climate Change, Daily Runoff, LARS, WG Model}
-
شبیه سازی بارش- رواناب از محورهای اصلی هیدرولوژی است. در میان انواع مدل های بارش- رواناب، مدل-های مفهومی بسیار مورد استفاده قرار می گیرند. با این حال، واسنجی مدل های مفهومی بارش- رواناب در دهه های اخیر به عنوان یک چالش مطرح بوده است. در این پژوهش مدل مفهومی بارش- رواناب ARNO با استفاده از الگوریتم ژنتیک، به واسنجی خودکار تجهیز شده است. این مدل از نوع پیوسته نیمه توزیعی بوده و در نقاط گوناگون دنیا با موفقیت به کار گرفته شده است. با استفاده از این امکان واسنجی خودکار، مرحله ی واسنجی مدل یاد شده برای یک حوضه ی آبریز می تواند به سرعت و بدون نیاز به دانش و تجربه ی گسترده در مورد مدل و پارامترهای آن، انجام شود. این مدل به صورت خودکار برای یک حوضه ی آبریز در جنوب غربی ایران واسنجی شد، لذا مقادیر شاخص راندمان و مربع ضریب همبستگی برای داده های روزانه، در دوره ی 5 ساله ی واسنجی مدل، به ترتیب 80/0 و 82/0، و در دوره ی 4 ساله ی اعتبارسنجی به ترتیب 82/0 و 83/0 به دست آمد. نتایج حاکی از موفقیت این روش در واسنجی خودکار مدل مفهومی انتخابی برای شبیه سازی بارش- رواناب روزانه است.
کلید واژگان: شبیه سازی بارش, رواناب روزانه, مدل های مفهومی, واسنجی خودکار, الگوریتم ژنتیک و تابع برازندگی}Rainfall- runoff modeling is one of the key steps of hydrology. Among rainfall- runoff models, the conceptual models are frequently used. However, calibration of the conceptual rainfall-runoff models has been a challenge for hydrologists for decades. In this study, automatic calibration of ARNO conceptual rainfallrunoff model is developed using genetic algorithm. This model is in the class of continuous semi distributed models and has been successfully used in different parts of the world. Using the employed automatic calibration tool, the calibration step of the model can be performed rapidly and simply for a given basin, without requiring an extensive knowledge of the model structure and parameters. The model was calibrated automatically for rainfall-runoff simulation of a basin in southwest Iran. The calibration results for 5 years daily observed data showed that the values of efficiency coefficient and squared correlation coefficient was 0.80 and 0.82, respectively and the validation results for 4 years daily observed data showed that the values of efficiency coefficient and squared correlation coefficient was 0.82 and 0.83, respectively. The results show that this model in conjunction with employed automatic calibration method can successfully be used for daily rainfall- runoff simulation.Keywords: Daily Rainfall- Runoff Modeling, Conceptual Models, Automatic Calibration, Genetic Algorithm, Fitness Function}
نکته
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.