- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 284 |
| تعداد نشریات سازمان | 83 |
| تعداد شماره‌ها | 2,601 |
| تعداد مقالات | 29,858 |
| تعداد مشاهده مقاله | 18,700,120 |
| تعداد دریافت فایل اصل مقاله | 14,135,241 |
مدلسازی پتانسیل سیل‌خیزی در آبخیز زرینه‌رود با استفاده از مدل های هوش مصنوعی | ||
| پژوهش های آبخیزداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 31 خرداد 1402 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2023.360973.1513 | ||
| نویسندگان | ||
| مهدی اعلمی1؛ مجتبی اردستانی* 2؛ بهرام ملک محمدی3 | ||
| 1دانشجوی دوره دکتری رشته محیط زیست گرایش مدیریت منابع آب پردیس بین الملل کیش دانشگاه تهران | ||
| 2استاد دانشکده محیط زیست دانشگاه تهران | ||
| 3دانشیاردانشکده محیط زیست دانشگاه تهران | ||
| چکیده | ||
| مقدمه و هدف در میان خطرات و بلایای طبیعی، بدون تردید سیل به عنوان فاجعه‌بارترین خطرات در جهان شناخته شده است. یکی از راهکارهای اساسی جهت کاهش خسارات ناشی از سیل تهیه نقشه حساسیت سیل است. پیش‌بینی مکانی احتمال وقوع سیل با استفاده از مدل‌هایی که بواسطه داده‌های مکانی و تاریخی بوجود آمده و در نهایت منجر به تهیه نقشه‌های حساسیت‌پذیری سیلاب می‌شود، از راهکارهای مناسب برای برنامه-ریزان مدیریت اراضی در مناطق مختلف جهت پیشگیری از رخداد این پدیده است. در این پژوهش، به منظور تعیین مناطق مستعد وقوع سیل از مدل هیبریدی استنتاج عصبی و فازی تطبیقی و الگوریتم بهینه‌سازی فراکاوشی رقابت امپراطوری (ANFIS-ICA) و مدل هیبریدی استنتاج عصبی و فازی تطبیقی و الگوریتم بهینه‌سازی فراکاوشی ازدحام ذرات (ANFIS-PSO) استفاده می‌گردد. مواد و روش‌ها آبخیز زرینه‌رود در شمال غربی استان کردستان و بین طول جغرافیایی ″30 ′48 °45 و ″20 ′48 °46 شرقی و عرض جغرافیایی ″20 ′42 °35 و ″15 ′23 °36 شمالی قرار دارد. مساحت این آبخیز 2/4485 کیلومترمربع است. اقلیم منطقه معتدل مرطوب بوده و میانگین بارندگی سالانه آن 480 میلیمتر است. موقعیت رخدادهای سیل به صورت تصادفی به دو گروه آموزش (70 درصد) و اعتبارسنجی (30 درصد) تقسیم گردید. عوامل محیطی مختلف (ارتفاع، جهت، شیب، انحنای سطح، کاربری اراضی، سنگ‌شناسی، بارندگی، شاخص توان جریان، فاصله از آبراهه، شاخص رطوبت توپوگرافی) به عنوان متغیر مستقل در مدلسازی انتخاب شدند و لایه‌های رقومی آن‌ها تهیه شد. مدل ANFIS-ICA و مدل ANFIS-PSO در این پژوهش مورد استفاده قرار گرفتند. نتایج پیش‌بینی مدل‌ها براساس معیار (AUC) و آماره مهارت صحیح (TSS) ارزیابی گردید. نتایج و بحث براساس یافته‌های این پژوهش در مرحله اعتبارسنجی، مدل (ANFIS-PSO) با مقدار (AUC) 98/0و آماره مهارت صحیح (TSS) 89/0 دارای بیشترین دقت بود. نتایج نیز نشان داد که عامل فاصله از آبراهه به عنوان مهم‌ترین عامل محیطی شناسایی شده است. علاوه بر آن، شیب زمین و TWI به ترتیب در جایگاه های دوم و سوم اهمیت قرار گرفته‌اند. نتیجه‌گیری و پیشنهادها براساس نتایج، رویکرد هیبریداسیون که به ترکیب مدل‌های یادگیری ماشینی و الگوریتم‌های بهینه‌سازی فراکاوشی می‌پردازد، موجب ارتقاء قدرت یادگیری و همچنین توان پیش‌بینی مدل می‌گردد. نتایج این تحقیق نشان داد که فاصله از آبراهه و شیب زمین مهم‌ترین عوامل مؤثر در سیل‌گیری هستند. براساس نتایج و تحلیل‌های صورت گرفته می‌توان نتیجه‌گیری نمود که مدل‌های یادگیری ماشینی قابلیت بالایی در پیش‌بینی پتانسیل سیل‌گیری دارند. نقشه‌های پتانسیل سیل تهیه شده در این پژوهش می‌تواند برای مدیران و کارشناسان بسیار کاربردی بوده و در برنامه‌ریزی اقدامات مهار سیل مورد استفاده عملی قرار گیرد. معطوف‌کردن امکانات و اقدامات مهار سیل در موقعیت‌هایی که پتانسیل سیل‌گیری زیادی دارند، موجب ارتقاء مدیریت سیل از نظر اقتصادی و فنی می‌گردد | ||
| کلیدواژه‌ها | ||
| ریسک؛ سیل؛ مخاطرات طبیعی؛ مدلسازی؛ مدیریت سرزمین | ||
| عنوان مقاله [English] | ||
| Flood potential modeling in Zarineh Rood watershed using artificial intelligence models | ||
| نویسندگان [English] | ||
| Mahdi Aalami1؛ Mojtaba Ardestani2؛ Bahram Malekmohamadi3 | ||
| 1PhD student in the field of environment, majoring in water resources management, Kish International Campus, University of Tehran | ||
| 2Full Professor of the Faculty of Environment, University of Tehran | ||
| 3Associate Professor, Faculty of Environment, University of Tehran | ||
| چکیده [English] | ||
| Introduction and goal Among natural disasters, flood is most catastrophic hazard in the world undoubtedly. One of the basic strategies to reduce the damages by floods is to prepare a flood sensitivity map. Spatial prediction of the flooding probability using models created by spatial and historical data and ultimately leading to the preparation of flood sensitivity maps is one of the appropriate solutions for management planners of lands in different areas to prevent the occurrence of this phenomenon. In this research, in order to determine flood-prone areas, the hybrid model of adaptive neural and fuzzy inference and the metaexploratory optimization algorithm of imperial competition (ANFIS-ICA) and the hybrid model of adaptive neural and fuzzy inference and the metaexploratory optimization algorithm of particle swarm (ANFIS-PSO) are used. Materials and methods The Zarine River watershed is located in the northwest of Kurdistan province between the longitude of 45°48ʹ30ʺand 46°48ʹ20ʺ east and the latitude of 35°42ʹ20ʺ and 36°23ʹ15ʺ north, with area of 4485 Km². The climate of the region is humid with average annual rainfall of 480 mm. The locations of flood events were randomly divided into two groups: training (70%) and validation (30%). Various environmental factors (height, direction, slope, surface curvature, land use, lithology, rainfall, flow power index, distance from river, topographic wetness index) were selected as independent variables in modeling and their digital layers were prepared. ANFIS-ICA model and ANFIS-PSO model were used in this research and their prediction results were evaluated based on the criterion (AUC) and the true skill statistic (TSS). Results and discussion Based on the findings, in the validation stage, the model (ANFIS-PSO) with the value of (AUC) 0.98 and the correct skill statistic (TSS) of 0.89 had the most accuracy. The results also showed that the factor of distance from the waterway was identified as the most important environmental factor. In addition, ground slope and TWI are ranked second and third in importance, respectively. Conclusion and suggestions Based on the results, the hybridization approach, which combines machine learning models and meta-exploratory optimization algorithms, improves the learning power as well as the predictive power of the model. The results of this research showed that the distance from the waterway and the slope of the land are the most important factors affecting flooding. Based on the results and analysis, it can be concluded that machine learning models have a high capability in predicting flood potential. The flood potential maps prepared in this research can be very useful for managers and experts and can be used in planning flood prevention measures. Directing flood control facilities and measures in situations that have a high flood potential will improve flood management from an economic and technical point of view. | ||
| کلیدواژه‌ها [English] | ||
| Flood, Land Management, Modeling, Natural Hazards, Risk | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 28 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب