ارزیابی کارایی نرمافزارGamma - winدر پیشبینی جریان رودخانهها
/علیرضا شریفی
تبریز :دانشگاه تبریز ، دانشکده کشاورزی
۷۹ ص
چاپی
کارشناسی ارشد
منابع آب
۱۳۹۱/۰۶/۰۱
تبریز :دانشگاه تبریز ، دانشکده کشاورزی
هدف این مطالعه ارزیابی کارایی نرمافزارGamma - winدر پیشبینی جریان رودخانهی حوضهی آبریز امامه میباشد .در این مطالعه روش گاما تست برای انتخاب بهینه ترکیب ورودی به مدل به کار گرفته شد .همچنین برای تشخیص بهینه تعداد دادههای مورد نیاز برای مدلسازی از آزمون M استفاده شد .در این مطالعه از دادههای بارندگی P(t) و رواناب R(t)حوضهی آبریز امامه در مقیاس روزانه و در طول دورهی آماری۱۳۷۹ - ۱۳۸۸ استفاده شد .نه متغیر شامل سری مربوط به جریان با تأخیر یک روزه۱))- (R(t، دو روزه۲))- (R(t، سه روزه۳)) - (R(tو چهار روزه۴))- (R(t، سری بارندگی روزانه بدون تأخیر زمانی ((P(t) و با تأخیرهای یک روزه۱))- (P(t، دو روزه۲))- (P(t، سه روزه۳)) - (P(tو چهار روزه۴)) - (P(tبه عنوان متغیر ورودی انتخاب شد .تعداد نقاط بهینه برای بخش آموزش با استفاده از آزمون M مشخص شد .سپس مدلسازی جریان آب رودخانه با استفاده از متغیرهای انتخاب شده و با استفاده از تعداد نقاط بهینه با روشهای شبکهی عصبی مصنوعی، رگرسیون خطی محلی و سیستم استنتاج فازی- عصبی تطبیقی انجام شد .نتایج نشان داد که پنج متغیر شاملP(t) ،۱)- P(t،۳)- P(t،۱) -R(tو۲) - R(tبه عنوان متغیرهای مؤثر در مدلسازی جریان رودخانه حوضهی مذکور میباشند .همچنین با استفاده از خروجی آزمونM ، تعداد ۲۳۸۳ داده برای بخش آموزش مدلسازی مناسب تشخیص داده شد .نتایج حاکی از این واقعیت بود که در بخش آموزش روش رگرسیون خطی محلی از دو روش دیگر از دقت بیشتری برخوردار بود .در حالیکه در بخش تست روش شبکهی عصبی مصنوعی عملکرد بهتری در مقایسه با دو روش دیگر داشت .با توجه به اینکه با استفاده از نرم افزارGamma - winعلاوه بر انتخاب بهینه ترکیب ورودی و تعیین تعداد دادهی کافی در مرحلهی آموزش میتوان مدلسازی را نیز انجام داد بنابراین، کارایی این نرم افزار خوب ارزیابی میشود
The aim of this study was evaluation of win-Gamma software efficiency in forecasting stremflow in Amameh watershed. In this study Gamma test was used to select the optimal combination of input variables. In this study, Data of rainfall (P(t)) and runoff (R(t)) in daily time scale were used in the period 2000-2009. Nine input variables namely lag-1 daily streamflow (R(t-1)), lag-2 daily streamflow (R(t-2)), lag-3 daily streamflow (R (t-3)), and lag-4 daily streamflow (R (t-4)) as well as daily rainfall (P(t)), lag-1 daily rainfall (P(t-1)), lag-2 daily rainfall (P(t-2)), lag-3 daily rainfall (P(t-3)) and lag-4 daily rainfall (P(t-4)) were used. The optimum number of point for training section recognized using the M-test. Then streamflow modeling performed based on optimum number of the selected variables and optimum number of training data using the Artificial Neural Network, Local Linear Regression and ANFIS methods. The results showed that five variables namely P(t), P(t-1), P(t-3), R(t-1), and R(t-2) were found to be effective variables in the modeling of streamflow. Moreover, based on the M-test output, only 2383 points were found to be adequate for modeling in the training section. Results indicate the fact that local linear regression method had higher accuracy in training section compared to the other two methods. Whereas, the Artificial neural network method shows better performance in test section. Note that using the win-Gamma software incorporate input and determine the optimal choice of adequate data model can also be done in the training phase, the performance of the software, are considered good