آمار
| تعداد نشریات | 14 |
| تعداد شماره‌ها | 692 |
| تعداد مقالات | 7,157 |
| تعداد مشاهده مقاله | 11,594,044 |
| تعداد دریافت فایل اصل مقاله | 10,466,291 |
مدلسازی دمای آب رودخانه‌ها با استفاده از برنامه‌ریزی بیان ژن (مطالعه موردی: رودخانه محمّدآباد در استان گلستان) | ||
| مجله پژوهش‌های حفاظت آب و خاک | ||
| دوره 27، شماره 2، خرداد و تیر 1399، صفحه 237-244 اصل مقاله (518.86 K) | ||
| نوع مقاله: مقاله کامل علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22069/jwsc.2020.15635.3082 | ||
| نویسندگان | ||
| مرضیه کرامتلو1؛ عبدالرضا ظهیری* 2؛ اسماعیل کردی3؛ خلیل قربانی4؛ امیر احمد دهقانی5 | ||
| 1دانشجوی کارشناسی ارشد سازه های آبی دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
| 2عضو هیئت علمی دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
| 3استادیار گروه عمران دانشگاه میرداماد گرگان | ||
| 4عضو هیأت علمی دانشگاه | ||
| 5دانشیار دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
| چکیده | ||
| سابقه و هدف: با توجه به اهمیت مسائل کیفیت آب و شرایط زیستمحیطی، دمای آب رودخانه‌ها از دو جنبۀ اقتصادی و زیستمحیطی دارای اهمیت می‌باشد. این پارامتر تأثیر مستقیمی بر تمامی پارامترهای کیفیت آب داشته و نقش مهمی را در زندگی و زیستگاه آبزیان ایفا می‌کند. در نتیجه، با توجه به پیامدهای مهم درجه حرارت برای انجام ارزیابی اثرات زیستمحیطی و مدیریت مؤثر شیلات، درک وضع حرارتی رودخانه و فرآیندهای تبادل حرارتی مرتبط با آن مهم است. مدل‌های قطعی و آماری بسیار زیادی برای تخمین دمای آب رودخانه‌ها توسط محققین مختلف ارائه شده است. تاکنون مدلسازی دمای آب رودخانه‌ها عموماً بر اساس دمای هوا بوده است. این درحالی است که احتمالاً متغیرهای هیدرولیکی رودخانه و نیز متغیرهای هواشناسی بر دمای آب رودخانه‌ها تأثیر دارند. همچنین تاکنون برای مدلسازی دمای آب رودخانه‌ها از الگوریتم‌های نوین و هوشمند به صورت محدودی استفاده شده است. بنابراین در این پژوهش به منظور تخمین دمای آب رودخانه محمّدآباد واقع در استان گلستان از الگوریتم برنامه‌ریزی بیان ژن (GEP) استفاده شده و در مدلسازی علاوه بر دمای هوا، متغیرهای هیدرولیکی و هواشناسی نیز مشارکت داده شده‌اند. مواد و روش‌ها: برنامه‌ریزی بیان ژن (GEP) یک الگوریتم تکاملی است که از جمعیتی از افراد استفاده کرده و آن‌ها را مطابق برازندگی انتخاب می‌کند و تغییرات ژنتیکی را با استفاده از یک یا چند عملگر ژنتیکی اعمال می‌نماید. برای انجام این تحقیق، متغیرهای هواشناسی و هیدرولیکی شامل دمای هوا، رطوبت، سرعت وزش باد، پوشش ابر، دبی و سرعت جریان رودخانه طی یک دوره آماری 7 ساله (1391-1385) به عنوان متغیرهای ورودی و دمای آب رودخانه به عنوان متغیر خروجی انتخاب شدند. یافته‌ها: بر اساس مقایسه آماری نتایج مدل‌های مختلف GEP با 1 تا 6 متغیر ورودی، مشخص شد که الگوی 6 پارامتری نسبت به الگوهای دیگر دارای بیشترین دقت از نظر ضریب تعیین و مجذور مربعات خطا است. این مقادیر برای داده‌های آموزش به‌ترتیب 92/0 و c˚8/1 و برای داده‌های آزمون 90/0 و c˚3/2 به‌دست آمده است. میانگین خطای روش GEP در مراحل آموزش و آزمون به‌ترتیب 67/14 و 80/12 درصد می‌باشد، این در حالی است که خطای مدل رگرسیون خطی بیش از 38 درصد به‌دست آمد. همچنین نتایج نشان داد که مدل برنامه‌ریزی بیان ژن در مقایسه با مدل رگرسیون خطی چندمتغیره از کارایی بیشتری برای تخمین دمای آب رودخانه برخوردار است. نتیجه‌گیری: با توجه به نتایج به‌دست آمده از این تحقیق می‌توان با دقت قابل قبولی از مدل GEP در تخمین دما رودخانه‌ها استفاده نمود. همچنین مشخص شد که علاوه بر دمای هوا که بیشترین تأثیر بر دمای آب رودخانه را دارد، متغیر دبی جریان نیز دارای تأثیر است. | ||
| کلیدواژه‌ها | ||
| دمای آب رودخانه؛ مدلسازی؛ برنامه‌ریزی بیان ژن؛ رودخانه محمّدآباد | ||
| مراجع | ||
|
1.Aytek, A., and Alp, M. 2008. An application of artificial intelligence for rainfall-runoff modeling. J. Earth Syst. Sci. 117: 2. 145-155.
2.Aytek, A., and Kisi, O. 2008. A genetic approach programming to suspended sediment modeling. J. Hydrol. 351: 288-298.
3.Brown, G.W., and Krygier, J.T. 1970. Effect of clear cutting on stream temperature. Water Resources Research, 6: 1133-1139.
4.Ebrahimian, M., and Moradi, P. 2012. The destructive effects of thermal pollution on the environment. The 3rd National Con. on Environmental Planning and Management. University of Tehran. (In Persian)
5.Eby, L., Helmy, O., Holsinger, L.M., and Young, M.K. 2014. Evidence of climate-induced range contractions in bull trout salvelinus confluentus in a rocky mountain watershed, USA. PLOS ONE, 9: E98812.
6.Elliott, J.M., and Elliott, J.A. 2010. Temperature requirements of Atlantic salmon Salmo salar, brown trout Salmo trutta and Arctic charr Salvelinus alpinus: Predicting the effects of climate change. J. Fish Biol. 44: 1-25.
7.Fernando, K.A., Shamseldin, A.Y., and Abrahart, R.J. 2012. River flow forecasting using Gene Expression Programming models. 10th Int. Conf. on Hydro Informatics, HIC 2012, Hamburg, Germany.
8.Ferreira, C. 2001. Gene Expression Programming: A new adaptive algorithm for solving problems. Complex Systems, 13: 2. 87-129.
9.Ferreira, C. 2004. Gene Expression programming and the evolution of computer programs. Recent Developments in Biologically Inspired Computing, Pp: 82-103.
10.Guven, A., and Gunal, M. 2008. Genetic programming approach for prediction of local scour downstream of hydraulic structures. J. Irrig. Drain. Engin. 134: 2. 241-249.
11.Imamgholizadeh, S., Karimi Demnah, R., and Azhdari, Kh. 2016.Comparison of conventional methods for estimation of suspended sediment load of Karkheh river by Gene Expression Programming approach. Geograph. Dev. Iran. J. 45: 121-140. (In Persian)
12.Johnson, S.L., and Jones, J.A. 2000. Stream temperature response to forest harvest and debris flows in western Cascades, Oregon. Can. J. Fish. Aqua. Sci. 57: 30-39.
13.Larnier, K., Roux, H., Dartus, D., and Croze, O. 2010. Water temperature modeling in the Garonne River (France). Knowledge and Management of Aquatic Ecosystems, 398: 04.
14.Letcher, B.H., Schueller, P., Bassar, R.D., Nislow, K.H., Coombs, J.A., Sakrejda, K., Morrissey, M., Sigourney, D.B., Whiteley, A.R., OʼDonnell, M.J., and Dubreuil, T.L. 2015. Robust estimates of environmental effects on population vita rates: an integrated capture-recapture model of seasonal brook troute growth, survival and movement in a stream network. J. Anim. Ecol. 84: 337-352.
15.Pilgrim, J.M., Fang, X., and Stefan, H.G. 1998. Stream temperature correlations with air temperature in Minnesota: implications for climatic warming. J. Amer. Water Resour. Assoc. 34: 1109-1121.
16.Prats, J., Val, R., Dolz, J., and Armengol, J. 2012. Water temperature modeling in the lower Ebro river (Spain: heat fluxes, equilibrium temperature, and magnitude of alteration caused by reservoirs and thermal effluent). Water Resour. Res. 48: W05523.
17.Somers, K.A., Bernhardt, E.S., Grace, J.B., Hassett, B.A., Sudduth, E.B., Wang, S., and Urban, D.L. 2013. Streams in the urban heat island: spatial and temporal variability in temperature, Fresh Water Science, 32: 1. 309-326.
18.Van Vliet, M.T.H., Yearsley, J.R., Franssen, W.H.P., Ludwig, F., Haddeland, I., Lettenmaier, D.P., and Kabat, P. 2012. Coupled daily stream flow and water temperature modeling in large river basins. Hydrol. Earth Syst. Sci. 16: 4303-4321.
19.Zahiri, A., Dehghani, A.A., and Azamathulla, H.Md. 2015. Chapter 4. Application of gene-expression programming in hydraulics engineering. Handbook of Genetic Programming Applications, A.H. Gandomi, A.H. Alavi and C. Ryan (eds). Springer.Pp: 71-98. | ||
|
آمار تعداد مشاهده مقاله: 984 تعداد دریافت فایل اصل مقاله: 547 |
||
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب