10 نتیجه برای تحلیل حساسیت
محسن حمیدپور، احمد جلالیان، مجید افیونی، بهزاد قربانی،
جلد 16، شماره 62 - ( 12-1391 )
چکیده
برای حفاظت حوزه‌های آبخیز، استفاده از مدلی که توانایی برآورد رواناب، فرسایش و رسوب را در زمان‌ها و مکان‌های معین داشته باشد، ضروری است. هدف از انجام این تحقیق، بررسی تحلیل حساسیت مدل یوروسم (Eurosem) و واسنجی و اعتبارسازی آن در شبیه‌سازی رواناب و دبی اوج رواناب در زیرحوزه تنگ رواق از حوزه آبخیز کارون جنوبی بود. بدین منظور، منطقه‌ای به وسعت یک هکتار انتخاب و رواناب عبوری در فواصل زمانی مشخصی در شش رخداد جمع‌آوری شد. تحلیل حساسیت مدل به روش ساده، با افزایش و کاهش 10 درصدی پارامترهای دینامیک مدل (چسبندگی خاک، هدایت هیدرولیکی اشباع، حرکت مویینگی خالص، ضریب زبری مانینگ، درصد حجمی رطوبت قبل از بارندگی و جدا‌‌پذیری ذرات خاک) انجام شد. بهترین واسنجی رواناب با کاهش هدایت هیدرولیکی و حرکت مویینگی و افزایش رطوبت اولیه صورت گرفت. نتایج اعتبارسازی مدل نشان داد که مدل قادر است میزان کل رواناب و دبی اوج رواناب را به خوبی شبیه‌سازی نماید ولی در شبیه‌سازی زمان شروع رواناب و زمان رسیدن به دبی اوج رواناب موفق نبود. نتایج تحلیل حساسیت مدل نشان داد که کل رواناب بیشترین حساسیت را به هدایت هیدرولیکی اشباع نشان داد. با افزایش 10 درصدی هدایت هیدرولیکی اشباع، کل رواناب 11 درصد کاهش و با کاهش 10 درصدی این پارامتر، کل رواناب 14 درصد افزایش نشان داد. این مدل نسبت به چسبندگی خاک هیچ‌گونه حساسیتی نشان نداد. نتایج نشان داد که حساسیت مدل یوروسم به موقعیت و محل ارزیابی مدل بستگی دارد.
حسین اکبری مجدر، عبدالرضا بهره مند، علی نجفی نژاد، واحد بردی شیخ ،
جلد 18، شماره 67 - ( 3-1393 )
چکیده
در واسنجی مدل‌های هیدرولوژیک توزیعی، اصلاح و تغییر مکرر پارامترها یک مسئله شناخته شده و همیشگی است. بنابراین استفاده از روش‌هایی برای تحلیل حساسیت و کاهش تعداد پارامترها برای واسنجی مدل ضرورت دارد. این مقاله استفاده از یک روش تحلیل حساسیت که در آن برای هر یک از پارامترها نسبت حساسیت و همچنین نمودار ارتباط پارامتر با نتایج شبیه‌سازی ارائه می‌شود را شرح می‌دهد. در این بررسی مجموع رواناب خروجی، به همراه چهار بخش مهم بیلان آب شامل رواناب سطحی، جریان جانبی، آب زیرزمینی و تبخیر و تعرق به عنوان تابع هدف انتخاب و حساسیت هر پارامتر بر آنها بررسی شده است. مدل SWAT یک مدل در مقیاس آبخیز‌های رودخانه‌ای بوده و می‌توان اثر اقدامات مختلف مدیریتی بر فرآیندهای مختلف هیدرلوژیک از قبیل رواناب، فرسایش و رسوب و زه‌آب اراضی کشاورزی را شبیه‌سازی کرد. یک شاخص حساسیت نسبی برای رتبه‌بندی حساسیت پارامترها مورد استفاده قرار گرفت. بر اساس نتایج، پارامترهای فاکتور جبران تبخیر در لایه‌های خاک (ESCO)، CN، هدایت هیدرولیکی اشباع خاک (SOL-K)، و چگالی توده خاک (SOL-BD) حساس‌ترین پارامترها بودند. این پارامترها در بسیاری از مطالعات صورت گرفته در سطح جهان نیز به عنوان حساس‌ترین پارامترها معرفی شده‌اند.
سیده سمیرا حشمتی، حبیب‌الله بیگی‌هرچگانی،
جلد 18، شماره 69 - ( 9-1393 )
چکیده
به‌منظور ارزیابی کیفیت شرب آب زیرزمینی شهرکرد براساس یک شاخص کیفیت آب زیرزمینی (GWQI) در محیط سامانه اطلاعات جغرافیایی، مؤلفههای pH، EC، TDS (کل جامدات محلول)، TSS (کل جامدات معلق)، کدورت،+2Ca، +2Mg، Na+، K+، Cl- ،-3 HCOو SO42- در 97 حلقه چاه اندازه‌گیری و سختی کل محاسبه شد. نقشه‌های مؤلفه‌ها به‌روش زمینآماری ترسیم شد. این نقشه‌ها حاکی از کیفیت خوب آب در شمال غربی آبخوان و کاهش کیفیت به‌طرف جنوب آبخوان بود. پس از نرمالکردن نقشه هر مؤلفه و تبدیل به نقشه رتبه و استخراج وزن هر مؤلفه از نقشه رتبه، نقشه شاخص GWQI (با مقادیر عددی بین صفر تا 99) تهیه شد. کیفیت آب زیرزمینی شهرکرد براساس میانگین نقشه شاخص، 84، مناسب بوده و شاخص کیفیت از شمال غرب (87=GWQI) به‌سمت جنوب کاهش می‌یابد (80=GWQI). علت این کاهش کیفیت به‌وجود مراکز صنعتی، دامداری و کشاورزی فشرده، تصفیهخانه فاضلاب در جنوب دشت و نیز جهت شمال به جنوب گرادیان هیدرولیکی نسبت داده شد. تحلیل حساسیت به‌روش حذف تک نقشه‌ها نشان داد شاخص GWQI در سفره شهرکرد نسبت به TSS و تا اندازه‌ای Na+ حساس‌تر است. بنابراین این دو مؤلفه بایستی با دقت و تکرار بیشتری پایش شوند.
حبیب‌الله بیگی‌هرچگانی، سیده سمیرا حشمتی،
جلد 19، شماره 72 - ( 5-1394 )
چکیده
هدف این مقاله اقتباس یک شاخص کیفیت آب و مقایسه آن با روش اصلی و مشابه برای ارزیابی کیفیت شرب آب است. به این منظور، از داده‌های ۱۳ مؤلفه کیفی در نمونه‌های آب ۹۷ حلقه چاه سفره‌ی شهرکرد استفاده شد. در روش اصلی که در محیط سامانه اطلاعات جغرافیایی اجرا می‌شود نقشه‌های مؤلفه‌ها ابتدا نرمال و پس ازتبدیل به نقشه‌های رتبه نقشه شاخص کیفیت آب زیرزمینی به‌دست می‌آید. به‌طور مشابه، به‌منظور محاسبه شاخص کیفیت آب زیرزمینی برای هر چاه، مشاهدات هر مؤلفه در آن چاه نرمال و رتبه‌گذاری شدند. سپس نقشه شاخص کیفیت آب زیرزمینی دوباره ترسیم شد. هر دو نقشه روند تغییرات مشابهی را نشان دادند (91/0 (R=. کمینه و میانگین شاخص در هر دو روش یکسان (به‌ترتیب ۸۱ و ۸۴) بود. روش اقتباسی بیشینه شاخص را تا 7% کمتر و محتاطانهتر برآورد کرده و در برآورد درصد پوشش تا 6% اختلاف نشان داد. همبستگی نقشه روش اقتباسی حاضر به همبستگی مشاهدات نزدیکتر است. نتایج تعیین وزن، تحلیل همبستگی و تحلیل حساسیت تشابه دو روش و گاهی برتری روش اقتباسی را نشان داد. در مجموع روش اقتباسی بهتر از روش سامانه اطلاعات جغرافیایی عمل می‌کند و برای نمونه‌های منفرد، معدود و با دارای عدم پراکنش مکانی (یکنواخت) نیز قابل کاربرد است.
عبدالحسین بوعلی، حسین بشری، رضا جعفری، محسن سلیمانی،
جلد 21، شماره 2 - ( 5-1396 )
چکیده
برای ارزیابی صحیح پتانسیل بیابانزایی در اکوسیستم‌های مختلف باید از شاخص‌ها و روش‌های مناسب استفاده نمود. در این تحقیق بیابانزایی منطقه سگزی واقع در شرق اصفهان با استفاده از فاکتورهای مؤثر در معیار خاک مدل مدالوس ارزیابی و با استفاده از شبکه‌های باور بیزین (BBN) یک مدل علت و معلولی برای بررسی بیابانزایی این منطقه استفاده شد. برخی ویژگی‌های خاک از جمله بافت، میزان سدیم و کلر محلول در خاک، مواد آلی، نسبت جذبی سدیم (SAR)، هدایت الکتریکی (EC) و میزان گچ مربوط به 17 پروفیل خاک در منطقه استفاده شد. با انجام تجزیه و تحلیل‌های سناریوهای مختلف و حساسیت سنجی در مدل شبکه باور بیزین، تأثیر عوامل مؤثر بر کیفیت خاک منطقه بر روند بیابانی شدن منطقه بررسی شد. نتایج نشان داد که روش تلفیقی حاضر می‌تواند عدم اطمینان ناشی از تأثیر ویژگی‌های مختلف خاک بر روند بیابانی شدن را نشان دهد. براساس نتایج مدل مدالوس 28/28 درصد از منطقه دارای کیفیت نامناسب و 72/71 درصد از منطقه دارای وضعیت متوسط از لحاظ کیفیت خاک بودند. آنالیز حساسیت در هر دو مدل نشان داد که مواد آلی، SAR و EC مؤثرترین عوامل ادافیکی مؤثر در بیابانی شدن منطقه می‌باشند. ارزیابی اثرات روش‌های مختلف مدیریتی بر این متغیرها می‌تواند مدیران را کمک کند که استراتژی‌های مناسب مدیریتی برای کنترل فرآیند بیابانی شدن اتخاذ نمایند.
فهیمه امیری میجان، حسین شیرانی، عیسی اسفندیارپور، علی اصغر بسالت پور، حسین شکفته،
جلد 23، شماره 3 - ( 9-1398 )
چکیده
استفاده از شیب منحنی مشخصه رطوبتی خاک در نقطه عطف (شاخص S)، یکی از شاخص‌های مهم ارزیابی کیفیت خاک در برنامه‌ریزی مدیریت اراضی زراعی و باغی محسوب می‌شود. هدف از این پژوهش، تعیین مؤثرترین ویژگی‌های خاک در منطقه جیرفت بر تخمین شاخص S با استفاده از الگوریتم هیبرید شبیه‌سازی تبرید - شبکه عصبی مصنوعی بود. به این منظور، 350 نمونه خاک دستخورده و 350 نمونه خاک دستنخورده از اراضی زراعی و باغی برداشت و سپس برخی از ویژگی‌های فیزیکی و شیمیایی خاک، شامل درصد شن، سیلت، رس، قابلیت هدایت‌الکتریکی اشباع، چگالی ظاهری، درصد تخلخل کل، درصد مواد آلی و درصد کربنات کلسیم معادل با استفاده از روش‌های استاندارد اندازه‌گیری شدند. همچنین با استفاده از دستگاه صفحات فشاری، مقدار رطوبت خاک در مکش‌های 0، 30،10، 50، 100، 300، 500، 1000 و 1500 کیلوپاسکال تعیین شد. در ادامه با استفاده از الگوریتم هیبریدی شبکه عصبی مصنوعی- شبیه‌سازی تبرید، ویژگی‌های مؤثر بر مدل‌سازی شاخص S استخراج شدند. در‌نهایت با استفاده از پنج ویژگی استخراج شده (درصد ش و رس، قابلیت هدایت‌الکتریکی، چگالی ظاهری و ظرفیت زراعی)، مدل‌سازی شاخص S توسط شبکه عصبی مصنوعی انجام شد. نتایج نشان داد که با کاهش متغییرهای ورودی، دقت مدل‌سازی افزایش یافت. بهعلاوه، نتایج آنالیز حساسیت نشان داد چگالی ظاهری با بالاترین ضریب حساسیت (ضریب حساسیت 5/0) به‌عنوان مهم‌ترین ویژگی در مدل‌سازی شاخص S محسوب می‌شود. بنابراین، از آنجا که افزایش تعداد ویژگیها لزوماً باعث افزایش دقت مدل‌سازی نمیشود، کاهش ویژگی‌های ورودی بهسبب کاهش هزینه و زمان انجام پژوهش مقرون بهصرفه است.
محمد معین فلاحی، بهروز یعقوبی، فریبرز یوسفوند، سعید شعبانلو،
جلد 24، شماره 3 - ( 9-1399 )
چکیده
بارندگی مهم‌ترین منبع تأمین آب شرب و کشاورزی ساکنین نواحی مختلف کره زمین محسوب می‌شود. بنابراین شبیه‌سازی و تخمین این پدیده هیدرولوژیکی از اهمیت بسزایی برخوردار است. در این مطالعه برای اولین بار، بارش درازمدت شهر رشت در طی یک دوره 62 ساله از 1956 تا 2017 به‌صورت ماهانه توسط یک مدل هوش مصنوعی ترکیبی بهینه‌یافته، شبیه‌سازی شد. برای توسعه مدل هوش مصنوعی ترکیبی (WGEP)، مدل برنامهنویسی بیان ژن (GEP) و تبدیل موجک (Wavelet transform) ترکیب شدند. در ابتدا، تأخیرهای مؤثر داده‌های سری زمانی با استفاده از تابع خودهمبستگی شناسایی شدند و با استفاده از آنها برای هر یک از مدل‌های GEP و WGEP هشت مدل متفاوت تعریف شد. سپس، نتایج مدل‌های GEP تجزیه‌و‌تحلیل شدند و مدل برتر GEP و مؤثرترین تأخیرها معرفی شدند. مقادیر شاخص عملکرد (VAF)، ضریب همبستگی (R) و شاخص پراکندگی (SI) برای مدل برتر GEP به‌ترتیب مساوی با 25/765، 0/508 و 0/709 محاسبه شدند. علاوه بر این، تأخیرهای شماره (t-1)، (t-2)، (t-3) و (t-12) مؤثرترین تأخیرها بودند. در ادامه، اعضای مختلف موجک های مادر نیز بررسی شدند که موجک مادر demy به‌عنوان بهینه‌ترین انتخاب شد. همچنین، تجزیه‌و‌تحلیل نتایج مدل‌های ترکیبی نشان داد که تبدیل موجک عملکرد مدل برنامهنویسی بیان ژن را به‌شکل قابل ملاحظه‌ای بهبود بخشید. استفاده از این موجک مادر باعث افزایش سه برابری شاخص عملکرد مدل WGEP برتر شد. علاوه بر این، شاخص‌های آماری R و MARE برای مدل WGEP برتر به‌ترتیب مساوی با 0/935 و 0/862 به‌دست آمدند. همچنین مقادیر SI، VAF و ضریب نش‌ساتکلیف برای این مدل به‌ترتیب برابر با 0/296، 0/394 و 0/858 تخمین زده شدند. نتایج این مطالعه نشان داد که تبدیل موجک عملکرد مدل برنامهنویسی بیان ژن را به‌شکل قابل توجهی افزایش می‌دهد و پیشنهاد می‌شود تبدیل موجک برای بهبود عملکرد سایر الگوریتم‌های هوش مصنوعی در مباحث هیدرولوژیکی مورد استفاده قرار گیرد.
احسان یارمحمدی، سعید شعبانلو، احمد رجبی،
جلد 25، شماره 1 - ( 3-1400 )
چکیده
بهینهسازی مدل‌های هوش مصنوعی از اهمیت بسزایی برخوردار است زیرا باعث بهبود عملکرد این مدل‌ها و افزایش انعطاف آنها می‌شود. در این مطالعه، عمق آبشستگی در مجاورت تکیه پل‌ها به شکل‌های مختلف توسط مدل ANFIS و ANFIS-Genetic Algorithm (GA) تخمین زده شد. به‌عبارت دیگر، برای بهینهسازی توابع عضویت مدل ANFIS از GA استفاده شد که عملکرد مدل ANFIS به‌شکل قابل توجهی بهبود یافت. در ابتدا، پارامترهای تأثیرگذار بر روی عمق آبشستگی در اطراف تکیه‌گاه پل‌ها تعریف شدند. سپس با استفاده از این پارامترهای ورودی، یازده مدل مختلف برای هر یک از مدل‌های ANFIS و ANFIS-GA تولید شدند. سپس با تجزیه و تحلیل نتایج این مدل‌ها، مدل برتر برای هر یک از روش‌های ANFIS و ANFIS-GA زنتیک معرفی شدند. به‌عنوان مثال، مقدار ضریب همبستگی و شاخص پراکندگی برای مدل ANFIS به‌ترتیب برابر با 0/979 و 0/070 و برای مدل ANFIS-GA نیز به‌ترتیب مساوی با 0/986 و 0/056 محاسبه شدند. علاوه بر این، نسبت اختلاف متوسط برای مدل‌های برتر ANFIS و ANFIS-GA به‌ترتیب مساوی با 0/984 و 0/988 بودند. بنابراین نشان داده شد که مدل‌های ترکیبی ANFIS-GA دقت بیشتری در مقایسه با مدل‌های ANFIS داشتند. همچنین، تحلیل حساسیت نشان داد که عدد فرود (Fr) و نسبت عمق جریان به شعاع حفره آبشستگی (h/L) به‌عنوان مؤثرترین پارامترهای ورودی برای تخمین عمق آبشستگی در مجاورت تکیه‌گاه پل‌ها شناسایی شدند.
فرشاد حیاتی، احمد رجبی، محمد علی ایزدبخش، سعید شعبانلو،
جلد 25، شماره 1 - ( 3-1400 )
چکیده
تخمین و شبیه‌سازی روند بارندگی در نواحی مختلف جهان به‌دلیل خشکسالی و تغییر اقلیم از اهمیت فراوانی برخوردار است. در این مطالعه، یک مدل هوش مصنوعی ترکیبی برنامه‌ریزی بیان ژن- موجک (WGEP) برای مدل‌سازی بارندگی درازمدت 67 ساله شهر انزلی برای اولین بار توسعه داده شد. این مدل از ترکیب تبدیل موجک (Wavelet) و برنامه‌ریزی بیان ژن (GEP) به‌دست آمد. در ابتدا، بهینه‌ترین عضو خانواده تبدیل موجک معرفی شد. سپس با تجزیه و تحلیل نتایج مدل‌سازی، دقیق‌ترین تابع اتصال و برازش برای مدل برنامه‌ریزی بیان ژن به‌دست آمد. در ادامه، با استفاده از تابع خودهمبستگی و خودهمبستگی نسبی و تأخیرهای مختلف، 15 مدل WGEP توسعه داده شد. مدل‌های WGEP برای بازه‌های زمانی 37، 20 و 10 ساله به‌ترتیب آموزش، آزمون و صحت‌سنجی شدند. همچنین، با انجام تحلیل حساسیت، مدل برتر و مؤثرترین تأخیرها برای شبیه‌سازی بارش درازمدت شناسایی شدند. مدل برتر مقادیر تابع هدف را با دقت بالایی تخمین زد. به‌عنوان مثال، مقادیر ضریب همبستگی و شاخص پراکندگی برای این مدل در شرایط صحت‌سنجی به‌ترتیب برابر با 0/946 و 0/310 محاسبه شدند. علاوه بر این، تأخیرهای شماره 1، 2، 4 و 12 به‌عنوان مؤثرترین تأخیرها در مدل‌سازی بارش توسط مدل ترکیبی معرفی شدند. همچنین، نتایج مدل برتر ترکیبی با مدل برنامهنویسی بیان ژن مقایسه شد که مدل ترکیبی دقت بیشتری داشت.
امیر حسین عظیمی، سعید شعبانلو، فریبرز یوسفوند، احمد رجبی، بهروز یعقوبی،
جلد 25، شماره 4 - ( 12-1400 )
چکیده
در این مطالعه، عمق حفره آبشستگی در پائین¬دست سرریزهای سنگی با شکل¬های مختلف J، I، U و W توسط یک روش نوین هوش مصنوعی تحت عنوان ماشین آموزش نیرومند خارج از محدوده (ORELM) شبیه¬سازی شد. داده¬های مشاهداتی به دو دسته آموزش (70 درصد) و تست (30 درصد) تقسیم شدند. سپس تابع فعال¬سازی بهینه برای شبیه¬سازی عمق آبشستگی در پائین¬دست سرریزهای سنگی انتخاب شد. در ادامه، با استفاده از پارامترهای ورودی که شامل نسبت طول سازه به عرض کانال (b/B)، عدد فرود تراکمی (Fd)، نسبت اختلاف عمق جریان بالادست و پائین¬دست سازه به ارتفاع سازه (Δy/hst) و فاکتور شکل سازه (φ)، یازده مدل مختلف ORELM برای تخمین عمق آبشستگی توسعه داده شدند. با انجام یک تحلیل حساسیت، مدل برتر و مؤثرترین پارامترهای ورودی شناسایی شدند. مدل برتر مقادیر آبشستگی¬ها را توسط پارامترهای بدون بعد b/B, Fd, Δy/hst شبیه¬سازی کرد. برای این مدل، مقادیر ضریب همبستگی (R)، شاخص عملکرد (VAF)و ضریب نش (NSC) برای مدل برتر در شرایط تست به¬ترتیب مساوی با 0/956، 91/378 و 0/908 بدست آمدند. همچنین، پارامترهای بدون بعد b/B, Δy/hst به¬عنوان مؤثرترین پارامترهای ورودی شناسایی شدند. همچنین، نتایج مدل برتر با مدل ماشین آموزش نیرومند نیز مقایسه شدند که مدل ORELM دقت بیشتری داشت. علاوه بر این، تحلیل عدم قطعیت نشان داد که مدل ORELM مقادیر آبشستگی¬ها را بیشتر از واقعیت تخمین زد. در ادامه، برای مدل برتر، یک تحلیل حساسیت مشتق نسبی (PDSA) اجرا گردید.
