4 نتیجه برای تحلیل عدم قطعیت
رخساره رستمیان، سید فرهاد موسوی، منوچهر حیدرپور، مجید افیونی، کریم عباسپور،
جلد 12، شماره 46 - ( 10-1387 )
چکیده
فرسایش خاک از جنبه های اقتصادی، اجتماعی و زیست‌محیطی اهمیت دارد که برای کنترل آن نیاز به مدیریت صحیح حوضه آبخیز میباشد. در سال های اخیر، استفاده از مدل سازی به‌عنوان راه کار ارزیابی اقدامات کاهش فرسایش مطرح شده است. به هر حال، به‌دلیل محدودیت دسترسی به داده‌های هیدرولوژیک کافی در مناطق کوهستانی، مدل‌سازی حوضه های آبخیز دارای عدم قطعیت هایی می باشد. در مطالعه حاضر، توانایی مدلSWAT2000 در شبیه‌سازی دبی جریان و غلظت رسوب حوضه بهشت‌آباد (از زیرحوضه‌های کارون شمالی) با مساحت 3860 کیلومتر مربع بررسی شد. واسنجی و تحلیل عدم قطعیت مدل با استفاده از برنامه SUFI-2 انجام پذیرفت. شاخص‌های p-factor، d-factor، R2 و ناش- ساتکلیف (NS) به‌منظور ارزیابی توانایی مدل SWAT در شبیه‌سازی رواناب و رسوب به‌کار برده شد. آمار رواناب شش ایستگاه هیدرومتری در سال های 1996-2004 برای واسنجی و اعتبارسنجی این حوضه به‌کار برده شد. نتایج نشان داد که در مرحله واسنجی رواناب ماهانه، ضرایب p-factor، d-factor، R2 و NS در خروجی حوضه به ترتیب 61/0، 48/0، 85/0 و 75/0 و در مرحله اعتبارسنجی 53/0، 38/0، 85/0 و 57/0 به‌دست آمد. این ضرایب در مرحله واسنجی غلظت رسوب روزانه در خروجی حوضه 55/0، 41/0، 55/0 و 52/0 و در مرحله اعتبارسنجی 69/0، 29/0، 60/0 و 27/0 به‌دست آمد. در مجموع، نتایج مطالعه نشان داد که SWAT رواناب را بهتر از رسوب شبیه‌سازی کرد. از دلایل ضعف مدل در شبیه‌سازی رواناب در بعضی از ماه‌های سال می‌توان به شبیه‌سازی ضعیف ذوب برف برای این حوضه کوهستانی، عدم سازگاری فرضیات مدل در انتقال جریان در لایه‌های یخ‌زده و اشباع و تعداد کم داده‌ها اشاره کرد. از علت‌های ضعف مدل در شبیه‌سازی بار رسوب می‌توان به شبیه‌سازی ضعیف جریان، تعداد کم داده‌ها و همچنین عدم پیوستگی اطلاعات رسوب استفاده شده اشاره کرد.
سمیرا اخوان، جهانگیر عابدی کوپایی، سید فرهاد موسوی، کریم عباسپور، مجید افیونی، سید سعید اسلامیان ،
جلد 14، شماره 53 - ( 7-1389 )
چکیده
توزیع زمانی و مکانی آب در حوضه های آبریز، تخمین کمیت و کیفیت آب و عدم قطعیت تخمینهای حاصله از اهمیت خاصی برخوردار به منظور تخمین مؤلفه های منابع آب شامل آب آبی (مجموع رواناب سطحی و تغذیه آب زیرزمینی SWAT است. در مطالعه حاضر، مدل عمیق)، آب سبز (تبخیر و تعرق واقعی) و ذخیره آب سبز (آب خاک) در حوضه آبریز همدان- بهار استفاده شد. همچنین از الگوریتم SWAT برای واسنجی و اعتبارسنجی بر اساس دبی ماهانه رودخانه و تحلیل عدم قطعیت مدل SWAT-CUP در بسته نرم افزاری ،SUFI2 محاسبه میشود. نتایج شبیه سازی دبی رودخانه ها در بیشتر P-factor و R-factor به کار گرفته شد. درجه عدم قطعیت توسط فاکتورهای در مرحله واسنجی R-factor ایستگاهها، به ویژه خروجی حوضه آبریز (ایستگاه کوشک آباد) رضایتبخش بود. نتایج نشان داد که مقادیر بین ٢٠ تا ٦٠ درصد بودند. کم بودن مقادیر فوق به ترتیب بیانگر واسنجی خوب رواناب P-factor ٠ و مقادیر / ٠ تا ٨ / رواناب ماهانه بین ٤ در حوضه و عدم قطعیت زیاد پیشبینیهاست. در بیشتر ایستگاهها، به علت عدم دسترسی به اطلاعات کافی در مورد مقدار آب برداشتی از ٠/ بعد از واسنجی بین ٣ (NS) کم است. ضریب نش- ساتکلیف P-factor رودخانهها، شبیه سازی جریان پایه ضعیف بوده و در نتیجه مقدار ٠ بود که نشان میدهد واسنجی مدل در خروجی حوضه از دقت بسیار خوبی برخوردار است. از این مطالعه، اطلاعات خوبی در مورد / تا ٨ مؤلفه های منابع آب، هم از نظر توزیع مکانی (در مقیاس زیرحوضه) و هم از نظر توزیع زمانی (در مقیاس ماهانه)، به همراه باند تخمین عدم قطعیت ٩٥ درصد، به دست آمد. نتایج تحلیل عدم قطعیت مؤلفه های منابع آب نشان میدهد که میانگین ماهانه عدم قطعیت مربوط به تخمین آب آبی بیشتر از سایر مؤلفه هاست، زیرا این مؤلفه به تعداد پارامترهای بیشتری حساس میباشد
فریبرز یوسفوند، سعید شعبانلو،
جلد 23، شماره 4 - ( 12-1398 )
چکیده
در این مطالعه، سطح آب زیرزمینی در منطقه سراب قنبر- واقع در جنوب شهر کرمانشاه، کشور ایران- با استفاده از مدل موجک ماشین آموزش نیرومند خودتطبیقی (WA-SAELM) تخمین زده شد. برای توسعه مدل عددی از روش هوش مصنوعی و جدید ماشین آموزش نیرومند خودتطبیقی و تبدیل موجک استفاده شد. در ابتدا، با استفاده از تابع خود‌همبستگی، خود‌همبستگی نسبی و تأخیرهای مؤثر، هشت مدل مختلف SAELM و WA-SAELM متمایز توسعه داده شدند، سپس مقادیر تراز آب زیرزمینی چاه مشاهداتی نرمال‌سازی شدند. در ادامه، با تجزیه‌و‌تحلیل نتایج مدل‌سازی، بهینه‌ترین خانواده موجک برای مدل‌سازی انتخاب شد. با ارزیابی نتایج مدل‌های SAELM و WA-SAELM مشخص شد که مدل‌های WA-SAELM در مقایسه با مدل‌های SAELM مقادیر تابع هدف را با دقت بیشتری تخمین زدند. سپس مدل برتر بر اساس دقت آن در پیش‌بینی تراز آب زیرزمینی انتخاب شد. به‌عنوان مثال در حالت تست، مقادیر R، MAE و NSC برای مدل برتر به‌ترتیب برابر 995/0، 988/0 و 990/0 محاسبه شدند. همچنین برای مدل‌های عددی، تحلیل عدم قطعیت انجام و نشان داده شد که مدل برتر مقادیر مشاهداتی را کمتر از مقدار واقعی تخمین زده است.
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.
