اخبار و اعلانات

 آمار

تعداد نشریات51
تعداد شماره‌ها1,965
تعداد مقالات20,607
تعداد مشاهده مقاله28,609,844
تعداد دریافت فایل اصل مقاله16,464,099
بیگدلی, زینب, مجنونی هریس, ابوالفضل, دلیرحسن نیا, رضا, کریمی, سپیده. (1402). مدل‌سازی بارش- رواناب ایستگاه‌های هیدرومتری خرمازرد و بناب با استفاده از الگوریتم ماشین بردار پشتیبان و جنگل تصادفی. سامانه مدیریت نشریات علمی, 37(6), 971-989. doi: 10.22067/jsw.2023.81608.1264
زینب بیگدلی; ابوالفضل مجنونی هریس; رضا دلیرحسن نیا; سپیده کریمی. "مدل‌سازی بارش- رواناب ایستگاه‌های هیدرومتری خرمازرد و بناب با استفاده از الگوریتم ماشین بردار پشتیبان و جنگل تصادفی". سامانه مدیریت نشریات علمی, 37, 6, 1402, 971-989. doi: 10.22067/jsw.2023.81608.1264
بیگدلی, زینب, مجنونی هریس, ابوالفضل, دلیرحسن نیا, رضا, کریمی, سپیده. (1402). 'مدل‌سازی بارش- رواناب ایستگاه‌های هیدرومتری خرمازرد و بناب با استفاده از الگوریتم ماشین بردار پشتیبان و جنگل تصادفی', سامانه مدیریت نشریات علمی, 37(6), pp. 971-989. doi: 10.22067/jsw.2023.81608.1264
بیگدلی, زینب, مجنونی هریس, ابوالفضل, دلیرحسن نیا, رضا, کریمی, سپیده. مدل‌سازی بارش- رواناب ایستگاه‌های هیدرومتری خرمازرد و بناب با استفاده از الگوریتم ماشین بردار پشتیبان و جنگل تصادفی. سامانه مدیریت نشریات علمی, 1402; 37(6): 971-989. doi: 10.22067/jsw.2023.81608.1264

مدل‌سازی بارش- رواناب ایستگاه‌های هیدرومتری خرمازرد و بناب با استفاده از الگوریتم ماشین بردار پشتیبان و جنگل تصادفی

آب و خاک
مقاله 10، دوره 37، شماره 6 - شماره پیاپی 92، بهمن و اسفند 1402، صفحه 971-989    اصل مقاله (1.17 M)
نوع مقاله: مقالات پژوهشی
شناسه دیجیتال (DOI): 10.22067/jsw.2023.81608.1264
نویسندگان
زینب بیگدلی1؛ ابوالفضل مجنونی هریس* 2؛ رضا دلیرحسن نیا1؛ سپیده کریمی2
1گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران
2گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز ، ایران
چکیده
شبیه‌سازی فرآیند بارش-رواناب می‌تواند نقش بسزایی در مدیریت منابع آب و مسائل هیدرولوژی داشته باشد. در این تحقیق با استفاده از مدل‌های داده‌کاوی ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) اقدام به مدل‌سازی بارش- رواناب دو ایستگاه بناب و خرمازرد به‌ترتیب واقع بر روی رودخانه‌های صوفی‌چای و ماهپری‌چای (دشت مراغه) شده است. در مطالعه حاضر داده‌های ایستگاه‌های هواشناسی و هیدرومتری منطقه از سال 1355 تا 1397 از شرکت آب منطقه‌ای و سازمان هواشناسی استان آذربایجان شرقی دریافت گردید. تغییر روند رواناب جاری در سال 1374، باعث گردید مدت مطالعه به دو دوره قبل و بعد آن تقسیم شود. مقدار بارش و رواناب با تاخیر زمانی یک ماه بعنوان ورودی به این مدل وارد و سپس مقادیر رواناب ماهانه مشاهداتی با رواناب ماهانه تخمین زده شده با استفاده از معیارهای ارزیابی خطا مورد بررسی گرفت. نتایج نشان داد که در هر دو دوره برای ایستگاه بناب مدل SVM کارآیی بالاتری نسبت به مدل RF داشت و در ایستگاه خرمازرد نیز برای این دو دوره، مدل RF عملکرد بهتری از مدل SVM ارائه کرد. نتایج مدل‌سازی در مجموعه تست در دو ایستگاه نشان داد که مقدار همبستگی متقابل برای دو دوره مطالعاتی اول و دوم ایستگاه بناب ‌به‌ترتیب برابر با 85/0 و 84/0 و برای ایستگاه خرمازرد برابر با 79/0 و 75/0 بدست آمد. با توجه به نتایج مقادیر آماره من کندال و سری‌های زمانی برای هر دو ایستگاه، روند مشخصی برای بارش در طول دوره مشاهده نشد، ولی دبی رودخانه‌ صوفی‌چای در ایستگاه بناب، بخصوص بعد از سال 1374 روند صعودی و دبی رودخانه ماهپری‌چای روند کاملا نزولی داشته است.
کلیدواژه‌ها
بارش- رواناب؛ جنگل تصادفی؛ دشت مراغه؛ صوفی‌چای؛ ماشین بردار پشتیبان؛ مدل‌سازی
مراجع
  1. Adnan, R.M., Yuan, X., Kisi, O., Adnan, F., & Mehmood, A. (2018). Stream flow forecasting of poorly gauged mountainous watershed by Least Square Support Vector Machine, Fuzzy Genetic Algorithm and M5 Model Tree using climatic data from Nearby Station. Water Resources Management, 32, 4469-4486. https://doi.org/10.1007/ s11269-018-2033-2
  2. Aurenhammer, F., Klein, R., & Lee, D.T. (2013). Voronoi Diagrams and Delaunay Triangulations. World Scientific Publ. Co., Singapore p. 337.
  3. Band, S.S., Janizadeh, S., Chandra Pal, S., Saha, A., Chakrabortty, R., Melesse, A.M., & Mosavi, A. (2020). Flash flood susceptibility modeling using new approaches of hybrid and ensemble tree-based machine learning algorithms. Remote Sensing, 12(21), 3568. http://doi.org/10.3390/rs12213568:2-23
  4. Bashirian, F., Rahimi, D, Movahedi, S., & Zakerinejad, R. (2020). Water level instability analysis of Urmia Lake Basin in the northwest of Iran. Arabian Journal of Geosciences, 13(4), 1-14. https://doi.org/10.1007/s12517-020-5207-1
  5. Bigdeli, Z., Majnooni Heris, A., Delirhasannia, R., & Karimi, S. (2023). Rainfall-runoff modeling of Aji Chai basin using random forest and artificial neural network models. New Research Sustainable Water Engineering, 1(2), 27-42. http://doi:10.22103/nrswe.2023.20278.1013
  6. Bigdeli, Z., Majnooni-Heris, A., Delirhasannia, R., & Karimi, S. (2023). Application of support vector machine and boosted tree algorithm for rainfall-runoff modeling (Case study: Tabriz plain). Environment and Water Engineering, 9(4), 532-547. http://doi.org/10.22034/ewe.2023.366913.1816
  7. Botsis, D., Latinopoulos, P., & Diamantaras, K. (2011). Rainfall-runoff modeling using support vector regression and artificial neural networks. Journal Rhodes, Greece. https://doi.org/20.1001.1.20087942.1398.13.6.15.1
  8. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32.
  9. Catani, F., Lagomarsino, D., Segoni, S., & Tofani, V. (2013). Landslide susceptibility estimation by random forests technique: sensitivity and scaling issues. Natural Hazards Earth System Science, 13, 2815-2831. https://doi.org/10.5194/nhess-13-2815-2013
  10. Dastorani, M.T., Mahjoobi, J., Talebi, A., & Fakhar, F. (2018). Application of machine learning approaches in rainfall-runoff modeling (Case study: Zayandeh_Rood Basin in Iran). Civil Engineering Infrastructures Journal, 51(2), 293-310. https://doi.org/20.1001.1.23222093.2018.51.2.4.1
  11. Eskandari, A., Noori, R., Meeraji, H., & Kiaghaderi, A. (2011). Development of an appropriate model based on artificial neural network and support vector machine to predict the 5-day biochemical oxygen demand while, Ecology, 38, 71-82. https://doi.org/20.1001.1.10258620.1391.38.1.8.1
  12. Fathollahi, S., Mirshahi, D., & Abbasipour, B. (2015). Water and climate change: prediction of runoff from rainfall in the Aji Chai River basin using artificial neural network, the first national congress of irrigation and drainage in Iran. (In Persian)
  13. Hamidi-Razi, H., Mazaheri, M., Carvajalino-Fernández, M., & Vali-Samani, J. (2019). Investigating the restoration of Lake Urmia using a numerical modelling approach. Journal of Great Lakes Research, 45(1), 87-97. https:// doi.org/10.1016/j.jglr.2018.10.002
  14. Hosseini-Moghari, S.M., Araghinejad, S., Tourian, MJ., Ebrahimi, K., & Döll, P. (2020). Quantifying the impacts of human water use and climate variations on recent drying of Lake Urmia basin: the value of different sets of spaceborne and in situ data for calibrating a global hydrological model. Hydrology & Earth System Sciences, 24(4). https://doi.org/10.5194/hess-24-1939-2020
  15. Hussain, D., & Khan, A.A. (2020). Machine learning techniques for monthly river flow forecasting of Hunza River. Pakistan. Earth Science Informatics,13(3), 939-949. https://doi.org/10.1007/s12145-020-00450-z
  16. Javadzadeh, H., Ataie-Ashtiani, B., Hosseini, S.M., & Simmons, C.T. (2020). Spectral analysis of periodic behavior of Lake Urmia water level time series Interaction of lake-groundwater levels using cross correlation analysis: A case study of Lake Urmia Basin, Iran. Science of The Total Environment,
  17. Kendall, M.G. (1975). Rank correlation methods. fourth ed. Charles Griffin, London.
  18. Kisi, O., & Parmar, K.S. (2016). Application of least square support vector machine and multivariate adaptive regression spline models in long term prediction of river water pollution. Journal of Hydrology, 534, 104–112. https://doi.org/10.1016/j.jhydrol.2015.12.014
  19. Lari, A., Pishvaee, M.S., & Khodabakhsh P. (2019). A system dynamics approach for basin policy design: Urmia Lake case study. Kybernetes. https://doi.org/10.1108/K-04-2019-0226
  20. Lettenmaier, D.P., Wood, E.F., & Wallis, J.R. (1994). Hydro-climatological Trends in the Continental United States, 1948–88. Journal of Climate, 7, 586–607. https://doi.org/10.1175/1520-0442(1994)007<0586:HCTITC>2.0.CO;2
  21. Lorrai, M., & Sechi, M.G. (1995). Neural nets for modeling rainfall-runoff transformation. Water Resources Management, 9, 299-313. https://doi.org/10.1007/BF00872489
  22. MannB. (1945). non-parametric test against trend. Journal of Econometrical, 13, 245-259.
  23. Montaseri, M., Nourjou, A., Behmanesh, J., & Akbari, M. (2018). Investigation of heteorological drought in Southern basins of Urmia lake (Case study: Zarrineh rud and Simeneh rud). Iranian journal of Ecohydrology, 5(1), 189-202. http://doi.org/10.22059/ije.2018.245903.781
  24. Najibzade, N., Qaderi, K., & Ahmadi, M.M. (2020). Rainfall-runoff modelling using support vector regression and artificial neural network models (case study: SafaRoud Dam Watershed). Iranian Journal of Irrigation & Drainage, 13(6), 1709-1720. https://doi: 20.1001.1.20087942.1398.13.6.15.1
  25. Nazeri Tahroudi, M., Ahmadi, F., & Khalili, K. (2018). Impact of 30 years changing of river flow on Urmia lake basin. AUT Journal of Civil Engineering, 2(1), 115-122. https://doi.org/10.22060/AJCE.2018.14520.5481
  26. Nicodemus, K.K. (2011). Letter to the Editor: On the stability and ranking of predictors from random forest variable importance measures. Briefings in Bioinformatics, 12, 369-373. https://doi.org/10.1093/bib/bbq011
  27. Pasquini, A.I., Lecomte, K.L., Piovano, E.L., & Depetris, P.J. (2006). Recent rainfall and runoff variability in central Argentina. Int. 158(1), 127-139. https://doi.org/10.1016/j.quaint.2006.05.021
  28. Patil, J. P., Sarangi, A., Singh, O.P., Singh, A.K., & Ahmad, T. (2008). Development of a GIS interface for estimation of runoff from watersheds. Water Resources Management, 22(9), 1221-1239. https://doi.org/10.1007/ s11269-007-9222-8
  29. Phomcha, P., Wirojanagud, P., Vangpaisal, T., & Thaveevouthti, T. (2011). Suitability of SWAT model for simulating of monthly streamflow in Lam Sonthi watershed. The Journal of Industrial Technology, 7(2), 49-56.
  30. Poursalehi, F., KhasheiSiuki, A., & Hashemi, S.R. (2022). Investigating the performance of random forest algorithm in predicting water table fluctuations Compared with two models of decision tree and artificial neural network (Case study: unconfined aquifer of Birjand. journal of Ecohydrology, 8(4), 961-974. https://doi.org/10.22059/IJE.2022. 327263.1526
  31. Rezazei, H., Jabbari, A., Behmanesh, J., & Hessari, B. (2017). Modelling the daily runoff of Nazloo Chai watershed at the west side of Urmia Lake. Journal of Water and Soil Conservation, 23(6), 123-141. https://doi.org/10.22069/ JWFST.2017.9735.2401
  32. Sabouhi, R., & Soltani, S. (2008). Analysis of the climate trend in the major cities of Iran. Journal of Agricultural Science and Technology, 12(46). (In Persian)
  33. Salehi Bavil, S., Zeinalzadeh, K., & Hessari, B. (2017). The changes in the frequency of daily precipitation in Urmia Lake basin, Iran. Journal of Theoretical and Applied Climatology, 1-10. https://doi.org/10.1007/s00704-017-2177-7
  34. Serrano, A., Mateos, V.L., & Garcia, J.A. (1999). Trend analysis of monthly precipitation over the Iberian Peninsula for the period 1921-1995. Physics and Chemistry of the Earth, Part B: Hydrology, Oceans and Atmosphere, 24(1-2), 85-90. https://doi.org/10.1016/S1464-1909(98)00016-1
  35. Seyedian, S. M., Soleimani, M. & Kashani, M. (2014). Predicting streamflow using data-driven model and time series. Iranian Journal of Ecohydrology, 1(3), 167-179. (In Persian). https://doi:10.22059/IJE.2014.54219
  36. Shafeizadeh, M., Fathian, H., & Nikbakht Shahbazi, A. (2019). Continuous rainfall-runoff simulation by artificial neural networks based on efficient input variables selection using partial mutual information (PMI) algorithm. Iran-Water Resources Research, 15(2), 144-161. https://doi.org/20.1001.1.17352347.1398.15.2.12.1
  37. Sharafi, M., Samadian Fard, S., & Hashemi, S. (2021). Monthly rainfall forecasting using genetic programming and support vector machine. Iranian Journal of Rainwater Catchment Systems, 8(4), 63-71.
  38. Sharifi, A., Dinpashoh, Y., Fakheri-Fard, A., & Moghaddamnia, A. (2014). Optimum combination of variables for runoff simulation in Amameh watershed using Gamma test. Water and Soil Science, 23(4), 59-72. (In Persian)
  39. Sharmod, T., Hosseini, A., & Mohammadzade, H. (2017). Hydrogeochemical report of the study areas of Azarshahr, Shiramin, Ajab Shir and Maragheh. Geological Survey and Mineral Exploration of IRAN.
  40. Shekar, S., & Xiong, H. (2018). Encyclopedia of GIS. Springer Science & Business Media. New York, USA, 1370.
  41. Sohrabi Geshnigani, F., Mirabbasi Najafabadi, R., & Golabi, M.R. (2021). Rainfall-runoff modeling using HBV model and random forest algorithm in Bazoft watershed. Iranian Journal of Soil and Water Research, 52(5), 1395-1407. https://doi:20.1001.1.2008479.1400.52.5.18.2
  42. Turgay, P., & Ercan, K. (2005). Trend analysis in Turkish precipitation data. Hydrological Processes: An International Journal, 20(9), 2011-2026. https://doi.org/10.1002/hyp.5993
  43. Vaheddoost, B., & Aksoy, H. (2018). Interaction of groundwater with Lake Urmia in Iran. Hydrological Processes, 32(21), 3283-3295. https://doi.org/10.1002/hyp.13263
  44. Youssef, A.M., Pourghasemi, H.R., Pourtaghi Z.S., & Al-Katheeri, M.M (2015). Landslide susceptibility mapping using random forest, boosted regression tree, classification and regression tree, and general linear models and comparison of their performance at Wadi Tayyah Basin, Asir Regio. Saudi Arabia Landslides. https://doi.org/ 10.1007/s10346-015-0614-1
  45. Zarei, M., Zandi, R., & Naemitabar, M. (2022). Assessment of flood occurrence potential using data mining models of support vector machine, chaid and random forest (case study: Frizi watershed). Jwmr, 13(25), 133-144. http://jwmr.sanru.ac.ir/article-1-1140-en.html

 

آمار
تعداد مشاهده مقاله: 1,791
تعداد دریافت فایل اصل مقاله: 1,136


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب