كليدواژه فارسي :
دبي حداكثر سيلاب , رگرسيون چندمتغيره , ژئومرفومتري , شبكه عصبي مصنوعي , ويژگيهاي فيزيكي
كليدواژه لاتين :
Maximum Flood Discharge , Multivariate Regression , Geomorphometry , Artificial Neural Networks , Physical Attributes
چكيده :
دبي حداكثر سيلاب را ميتوان يكي از پارامترهاي مهم هيدرولوژي، خصوصاً در مباحث مربوط به آبخيزداري و مديريت حوزههاي آبخيز در نظر گرفت. مقدار دبي حداكثر سيلاب، علاوه بر پارامترهاي اقليمي، تحت تأثير ويژگيهاي فيزيكي حوزههاي آبخيز نيز ميباشد. پارامترهاي قابل استخراج از مدلهاي رقومي ارتفاعي نيز ميتواند نقش قابل توجهي در اين زمينه داشته باشد. اين پارامترها، تحت عنوان پارامترهاي ژئومرفومتري مطرح ميباشند. از طرفي، مطالعات انجام گرفته بر عوامل مؤثر بر دبي حداكثر حوزههاي آبخيز، مبتني بر ويژگيهاي خاصي از حوزه آبخيز، شامل ضرايب مربوط به شكل حوزه، وضعيت شيب و ارتفاع، ويژگيهاي شبكه آبراههها و مواردي از اين قبيل بوده است. در اين مطالعه عوامل مذكور در كنار پارامترهاي ژئومرفومتري، مورد بررسي و ارزيابي قرار گرفتهاند. منطقه مطالعاتي شامل تعداد 25 ايستگاه هيدرومتري واقع در حوزه آبخيز ايران مركزي و داراي 16 سال دورهي آماري مشترك ميباشند.
در تحقيق حاضر بهمنظور بررسي رابطه دبيهاي حداكثر سيلاب با ويژگيهاي فيزيكي و ژئومرفومتري حوزههاي آبخيز ابتدا بر روي پارامترهاي ورودي آناليز حساسيت انجام گرفت. سپس بهمنظور اجراي دو مدل شبكه عصبي مصنوعي و رگرسيون چند متغيره و برآورد دبي حداكثر سيلاب، در حالت اول تعداد پنج پارامتر فيزيكي (مساحت، شيب آبراهه اصلي، زمان تمركز، ضريب شكل و تراكم زهكشي)، در حالت دوم، هفت پارامتر ژئومرفومتري (انحناي شكل، انحناي طرح، انحناي مماسي، انحناي طولي، انحناي مقطعي، انحناي عمومي و انحناي كل) و در حالت سوم هردو دسته پارامتر بهعنوان ورودي مدل و دبي حداكثر سيلاب بهعنوان خروجي مدل در نظر گرفته شد. نتايج نشان داد كه از بين پارامترهاي فيزيكي، ژئومرفومتري و تمام پارامترها، دبي بيشترين حساسيت را نسبت به تغييرات پارامتر تراكم زهكشي، انحناي مماسي و انحناي كل دارد. پس از اجراي مدلها، نتايج نشان داد كه بهطور كلي دقت مدل شبكه عصبي مصنوعي در حالت استفاده از پارامترهاي ژئومرفومتري و فيزيكي بيشتر از ساير روشها بود كه نشاندهنده اهميت استفاده از پارامترهاي ژئومرفومتري در كنار پارامترهاي فيزيكي در برآورد دبي حداكثر سيلاب و كارايي بيشتر شبكه عصبي مصنوعي در برآورد دبي حداكثر سيلاب ميباشد.
چكيده انگليسي :
Maximum discharge of flood can be One of the important factor of hydrology,
especially in Discussions on Watershed and watershed management., in addition to
climatic parameters The maximum flood discharge was affected by the physical
characteristics of watersheds Parameters derived from digital elevation models can
plays a significant role in this regard. These parameters are considered as
geomorphometric parameters. However, studies on factors affecting the maximum
discharge watersheds, based on certain characteristics of the watershed, including
Coefficients related to of the shape, slope, elevation, drainage features, etc of the
watershed. In this study, the mentional factors were evaluated beside
geomorphometric parameters. The study area consisted of 25 hydrometric stations
located in the watershed of central Iran which had 16 year joint period.
In this study, In order to study the relationship between the physical and
geomorphometric characteristics of watersheds and maximum flood discharge, the
sensitivity analysis was performed on the input parameters. In order to implement
Two models of artificial neural network and multiple regression model for
estimating the maximum flood discharge, in the first case, 5 physical parameters
(area, main channel slope, time of concentration, shape factor and drainage density),
in the second case, 7 geomorphometric parameters (shape curvature, plan curvature,
tangential curvature, longitudinal curvature, sectional curvature, total curvature and
general curvature) and in the third case, both types of the parameters were considered
as The model input and the maximum flood discharge was considered as the model
out put.The results showed that the physical parameters, Geomorphometry and all
parameters, discharge most sensitive to changes in drainage density parameter,
tangent and curvature of the curve. After running models , Results showed
Generally the accuracy of Artificial neural network model In the case of the
geomorphometric and physical parameters More than other methods, that Indicating
the importance of the geomorphometric parameters along with physical parameters
In estimating the maximum flood discharge And better performance of artificial
neural network in estimating the maximum flood discharge.
