TY - JOUR ID - 101412 TI - ارزیابی اثر متغیرهای تاثیرگذار بر پیش‌بینی سیلاب واریزه‌ای با استفاده از مدل شبکه بیزین JO - تحقیقات منابع آب ایران JA - IWRR LA - fa SN - 1735-2347 AU - شیخ کاظمی, مهسا AU - بنی حبیب, محمد ابراهیم AU - سلطانی, جابر AU - روزبهانی, عباس AU - تنهاپور, میترا AD - دانشکده پردیس ابوریحان-دانشگاه تهران-تهران-ایران AD - دانشیار دانشگاه تهران AD - گروه مهندسی آبیاری و زهکشی، دانشکده پردیس ابوریحان، دانشگاه تهران، تهران، ایران AD - دانشگاه تهران-پردیس ابوریحان، تهران، ایران Y1 - 2020 PY - 2020 VL - 16 IS - 3 SP - 18 EP - 30 KW - سیلاب واریزه ای KW - غلظت رسوب KW - مدل شبکه بیزین KW - شبکه عصبی DO - N2 -  پیش­بینی سیلاب واریزه­ای جهت کاهش خسارات ناشی از آن از اهمیت ویژه­ای برخوردار است. هدف این تحقیق پیش­بینی غلظت رسوبات سیلاب (واریزه­ای و معمولی) توسط مدل­های شبکه بیزین و شبکه عصبی در حوضه‌های امامه، ناورود و کسیلیان است که به ترتیب در استان­های تهران، گیلان و مازندران واقع شده­اند. بدین­منظور، متوسط ارتفاع، شیب حوضه، مساحت حوضه، بارش فعلی، بارش پیشین (به مدت 3 روز قبل) و دبی 1 روز قبل به عنوان متغیرهای ورودی انتخاب شدند. سپس برای تعیین مؤثرترین عوامل بر غلظت رسوبات سیلاب، 32 سناریو ارزیابی شد. برای سناریو حاصل از کلیه عوامل منتخب، شاخص­های R2 و MAPE در مرحله آزمون، به ترتیب 97/0 و %55/8 برآورد گردید. ارزیابی اثر متغیرهای مختلف نشان داد مؤثرترین عوامل بر دقت پیش­بینی شبکه بیزین به ترتیب ارتفاع حوضه، بارش فعلی، دبی روز قبل، مساحت حوضه و بارش پیشین یک روز قبل می­باشند. شاخص­های R2 و MAPE برای این سناریو 91/0 و %01/11 است که به دلیل داشتن کمترین تعداد عوامل ورودی و بالاترین دقت به عنوان بهترین سناریو انتخاب گردید. مقایسه عملکرد مدل بیزین با مدل شبکه عصبی نشان داد مدل شبکه بیزین دقت پیش­بینی بالاتری دارد. مؤثرترین عوامل شناسایی شده می­تواند برای پیش­بینی سیلاب واریزه­ای در حوضه­های مشابه استفاده گردد. UR - https://www.iwrr.ir/article_101412.html L1 - https://www.iwrr.ir/article_101412_2fc9926941c219deec8f246b6aa7e2e4.pdf ER -