۴ نتیجه برای دستورانی
محمدتقی دستورانی،
جلد ۱۱، شماره ۴۰ - ( تابستان ۱۳۸۶ )
چکیده
در این تحقیق توانایی مدل‌های شبکه عصبی مصنوعی جهت شبیه سازی رفتار هیدرولوژیکی آب در حوزه‌های آبخیز مورد بررسی قرار گرفته است. هدف اصلی تحقیق بررسی کاربرد انواع مختلف شبکه‌های عصبی مصنوعی جهت شبیه سازی جریان در یک حوزه آبخیز با چند ایستگاه هیدرومتری و پیش بینی بهنگام جریان‌های سیلابی در پایین دست بوده است. منطقه مورد بررسی قسمت فوقانی رودخانه درونت (Derwent) می‌باشد که یکی از شاخه‌های اصلی رودخانه ترنت (Trent river)در ناحیه مرکزی انگلستان است. جریان سیلاب رودخانه ۳، ۶، ۹ و ۱۲ ساعت قبل از وقوع در محل ایستگاه هیدرومتری واتستندول (Whatstandwell) با استفاده از داده‌های اندازه‌گیری شده در بالا دست پیش بینی گردیده است. سه نوع شبکه عصبی مختلف که عبارت‌اند از شبکه پرسپترون چند لایه(MLP network) ، شبکه برگشتی (Recurrent network)و شبکه برگشتی با تأخیر زمانی(Time lag recurrent network) به‌صورت جداگانه مورد استفاده و ارزیابی قرار گرفتند. همچنین جهت بررسی تأثیر طول داده‌های ورودی در کارایی مدل‌های شبکه عصبی، شبیه سازی‌های مختلف با استفاده از داده‌های هیدرولوژیکی با طول و تعداد متفاوت مورد استفاده قرار گرفت. داده‌های با فاصله اندازه‌گیری ۳۰ دقیقه‌ای با طول دوره‌های ۱ ماه، ۶ ماه و سه سال ( که تولید تعداد مشاهده‌های متفاوتی را می‌نماید) بدین منظور مورد استفاده واقع شد. براساس نتایج به‌دست آمده هرچند شبکه‌های عصبی مصنوعی به‌صورت عمومی و کلی کارایی مناسبی را در شبیه سازی و پیش بینی دبی جریان از خود نشان داده‌اند ولی نوع شبکه عصبی مصنوعی و نیز خصوصیات داده‌های ورودی مدل خصوصاً داده‌های آموزشی پارامترهای بسیار مهمی هستند که تأثیر عمده‌ای را روی خروجی‌های مدل دارند.
حمیده افخمی، محمدتقی دستورانی، حسین ملکی نژاد، حسین مبین،
جلد ۱۴، شماره ۵۱ - ( علوم و فنون كشاورزي و منابع طبيعي،علوم آب و خاک بهار ۱۳۸۹ )
چکیده
خشک‌سالی یک شکل طبیعی از اوضاع آب و هوایی است که تکرار آن در طول زمان امری اجتناب ناپذیر می باشد. هدف اصلی این تحقیق بررسی تأثیر نوع عوامل اقلیمی در پیش بینی خشک‌سالی با استفاده از شبکه عصبی مصنوعی در مناطق مختلف استان یزد است. در اغلب ایستگاه های هواشناسی منطقه یزد (ایستگاه‌های باران‌سنجی) تنها داده‌های مربوط به عامل بارش موجود می باشد، در حالی که ایستگاه های همدیدی علاوه بر بارش سایر عوامل هواشناسی از جمله دمای بیشینه، دمای میانگین، رطوبت نسبی، سرعت میانگین باد، جهت باد و میزان تبخیررا نیز دارا هستند. در این تحقیق سعی گردید که نقش تعداد و نوع عوامل اقلیمی (به عنوان عوامل ورودی مدل) در دقت پیش‌بینی خشک‌سالی بر اساس شبکه‌های عصبی مصنوعی مورد ارزیابی قرار گیرد. منطقه مورد بررسی بخشی از استان یزد است که در بر گیرنده ۱۳ ایستگاه کلیماتولوژی و ۱ ایستگاه همدیدی است. جهت انجام این بررسی میانگین متحرک سه ساله بارش در تمام ایستگاه ها محاسبه شد و سپس با استفاده از مدل شبکه برگشتی با تأخیر زمانی(Time Lag Recurrent Network)، میانگین متحرک بارش یک سال آینده پیش‌بینی گردید، که خود عامل اصلی ارزیابی وضعیت خشک‌سالی در سال آتی است. علاوه بر آن در ایستگاه همدیدی یزد نیز شبیه‌سازی‌ها با ترکیبات مختلفی از ورودی ها انجام گرفت. بهترین ترکیب ورودی ترکیب " میانگین متحرک بارش - دمای بیشینه" بود که ضریب کارایی آن حدود ۹۰/۰ محاسبه شد. بررسی ها نشان داد علی‌رغم این که در ۱۳ ایستگاه باران سنجی منطقه شبیه سازی‌ها تنها با یک ورودی (بارش) انجام گرفت، در برخی ایستگاه ها نتایج قابل قبولی به دست آمد که حتی ضریب کارایی محاسبه شده بر اساس نتایج حاصله بسیار نزدیک به ایستگاه یزد (با ورودی های مختلف) محاسبه گردید. (R۲ از ۴۸/۰ در ایستگاه آقا خرانق تا ۹۰/۰ در ایستگاه گاریز متغیر بود.) البته میزان درستی پیش‌بینی ها هنگامی که فقط از یک عامل ورودی در مدل استفاده شده است از ایستگاهی به ایستگاه دیگر متفاوت بوده است. نتایج به دست آمده گویای انعطاف‌پذیری قابل ملاحظه مدل‌های شبکه عصبی مصنوعی است که آنها را به ابزار مناسبی جهت مدلسازی در شرایطی که با فقر داده مواجه هستیم مبدل می سازد.
علی طالبی، سیده فاطمه سوزنده پور، محمد تقی دستورانی، علی‌اکبر کریمیان، محبوبه سلطانی،
جلد ۱۹، شماره ۷۲ - ( مجله علوم و فنون كشاورزي و منابع طبيعي-علوم آب و خاك-تابستان ۱۳۹۴ )
چکیده
کاربری اراضی یکی از فاکتورهای اساسی در کنترل رفتار هیدرولوژیکی حوزه‌ها می‌باشد. در مقابل ویژگی‌های عمدتاً ثابت حوزه و مؤثر بر چرخه آب حوزه (مانند خصوصیات خاک، توپوگرافی، اقلیم و کاربری اراضی) ممکن است زمینه‌ساز تغییرات کوتاه مدت باشند. بنابراین، عموماً فرض می‌شود که تغییر کاربری اراضی علت تغییر در پویایی هیدرولوژیکی حوزه‌ها می‌باشد. در این مقاله اثر کاربری اراضی در شرایط فعلی و بهینه بر رسوبدهی حوزه با استفاده از سامانه اطلاعات جغرافیایی و اجرای مدل هیدرولویکی HEC-HMS در حوزه آبخیز شور و شیرین واقع در استان فارس بررسی شده است. نقشه کاربری اراضی جهت تهیه نقشه شماره منحنی استفاده شد و این نقشه به‌عنوان پارامتر مهم جهت ورودی مدل استفاده گردید. نتایج نشان داد که رسوب برآورد شده در دو شرایط با یکدیگر تفاوت داشته و رسوب برآوردی به‌میزان متوسط ۱۲ درصد، در شرایط کاربری بهینه کمتر از شرایط فعلی اراضی می‌باشد. کاهش دبی اوج و میزان رسوب در شرایط بهینه اراضی نسبت به شرایط کاربری فعلی بیان‌کننده این مطلب است، که تغییر کاربری اراضی و نوع کاربری مورد استفاده نقش بسزایی در کاهش یا افزایش ارتفاع رواناب و در نتیجه دبی اوج سیلاب و میزان رسوبزایی حوزه دارد.
مهدی حیات زاده ، جواد چزگی، محمدتقی دستورانی،
جلد ۱۹، شماره ۷۲ - ( مجله علوم و فنون كشاورزي و منابع طبيعي-علوم آب و خاك-تابستان ۱۳۹۴ )
چکیده
از آنجا که توسعه برنامه‌های مهار آب‌های سطحی ملزم به‌دستیابی دقیق رفتارهای جریان و میزان رسوبات آن می‌باشد لذا کمبود ایستگاه‌های اندازه‌گیری رسوب و فقدان آمار کامل رسوب، از جمله دلایل ارزیابی صحیح در شبیه‌سازی رفتار جریان‌ها و رسوبات آنهاست. از جمله مواردی که در یک حوزه آبخیز از هم تأثیر می‌پذیرند خصوصیات مورفولوژیکی حوزه و بار رسوبی جریان‌های آن می‌باشد. لذا آگاهی از میزان این ارتباط به‌منظور مدیریت و ساماندهی جریان در پایین‌دست حوزه حائز اهمیت می‌باشد. در تحقیق حاضر با استفاده از شبکه عصبی مصنوعی و روش‌های رگرسیونی سنجه رسوب براساس داده‌های ۱۳۶ واقعه دبی جریان و رسوب متناظر آن و همچنین پارامترهای مورفولوژیکی به پیش‌بینی بار رسوبی حوزه باغ عباس اقدام گردیده است. بدین‌منظور در گام نخست برای پیش‌بینی بار رسوب از دو روش مذکور، فقط از داده‌های جریان استفاده گردیده و در گام بعدی خصوصیات مورفولوژیکی حوزه از قبیل ضریب شکل و ضریب فشردگی حوزه به مدل‌ها اضافه شده است. نتایج به‌دست آمده از این تحقیق نشان می‌دهد که با به‌کارگیری شبکه عصبی از نوع پرسپترون چندلایه (MLP) با الگوریتم لونبرگ- مارکوارت و تابع تحریک از نوع تانژانت سیگموید با دو لایه مخفی و ۴ نرون در هر لایه، می‌توان با دقت مناسبی میزان دبی بار معلق رسوب را برآورد نمود. همچنین دقت نتایج به‌دست آمده از روش شبکه عصبی مصنوعی به‌مراتب از دقت روش منحنی سنجه بالاتر می‌باشد. در ارزیابی روش‌های شبکه NGANN, GANN و رگرسیونیSRC, MARS ، به‌ترتیب میزان ضریب همبستگی ۹۴/۰، ۹۳/۰، ۷۶۷/۰ و ۷۶۶/۰ و مجذور میانگین مربعات خطا (RMSE) به‌ترتیب ۴۵/۰، ۴۹/۰، ۳/۲ و ۳/۲ و ضریب نش- ساتکلیف (NS) به‌ترتیب ۷۱/۰، ۵۸/۰، ۲۷/۰ و ۲۳/۰ محاسبه گردید. بنابراین کاراترین روش از بین مدل‌های چهارگانه مذکور، شبکه عصبی مصنوعی همراه با داده‌های مورفولوژیکی حوزه (GANN) می‌باشد. ضمناً براساس یافته‌های تحقیق اضافه نمودن پارامترهای ژئومورفولوژیکی در روش سنجه رسوب تأثیر چندانی بر روی کارایی این مدل ندارد.
