TY - JOUR ID - 15762 TI - مدل هوشمند مبتنی بر ژئومورفولوژی و مقایسه با مدل GIUH برای برآورد رواناب مستقیم JO - تحقیقات منابع آب ایران JA - IWRR LA - fa SN - 1735-2347 AU - نجفی, محمد رضا AU - بهبهانی, م. رضا بهبهانی AU - عبدالهی, ج AU - حسینی, موسی AD - استادیار/ گروه مهندسی آبیاری وزهکشی، پردیس ابوریحان دانشگاه تهران، پاکدشت AD - دانشیار/گروه مهندسی آبیاری وزهکشی، پردیس ابوریحان دانشگاه تهران، پاکدشت AD - مربی/ گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی آب وخاک، پردیس کشاورزی ومنابع طبیعی ، دانشگاه تهران، کرج AD - دانشجوی دکتری /مهندسی منابع آب، گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی آب وخاک، پردیس کشاورزی ومنابع طبیعی ، دانشگاه تهران، کرج Y1 - 2009 PY - 2009 VL - 5 IS - 2 SP - 1 EP - 9 KW - GIUH KW - شبکه عصبی مصنوعی KW - حوضه معرف کسیلیان KW - مدل‌سازی KW - بارندگی- رواناب DO - N2 - درمدل هیدروگراف واحد لحظه ای ژئومورفولوژی از شبکه زهکشی حوضه آبریز و قوانین هورتون استفاده می‌گردد. این مدل یک رهیافت ساده مدل‌سازی رواناب-بارندگی برای حوضه‌های فاقد آمار می‌باشد. کارشناسان هیدرولوژی همواره سعی کرده اند رابطه‌ای بین پاسخ هیدرولوژیکی حوضه و مشخصات توپوگرافی حوضه ها بر قرار نمایند.  در این تحقیق از سه مدل بارندگی- رواناب شامل  مدل جعبه سیاه مبتنی بر مشخصات ژئومورفولوژی (GANN) و  مدل مفهومی دو پارامتری ناش و مدل هیدروگراف واحد لحظه‌ای ژئومورفولوژیکی (GIUH)  که برای حوضه‌های فاقد آمار  پشنهاد گردیده است برای یک حوضه متوسط استفاده شد. از این مدل‌ها برای مطالعه ده واقعه بارش-رواناب در حوضه معرف کسیلیان واقع در ناحیه شمالی ایران استفاده شد.  نتایج حاصل از  مدل ژئومورفولوژی  با داده‌های مشاهده‌ای و دو مدل دیگر مقایسه گردیده است. نتایج این تحقیق نشان می دهد که مدل شبکه عصبی مصنوعی بر پایه ژئومورفولوژی (GANN) از مدل کاملاً تجربی شبکه عصبی مصنوعی می‌باشند، برتر است. علاوه بر این می‌توان چنین نتیجه‌گیری کرد که لحاظ  مشخصات ژئومورفولوژی در مدل ANN   بر توانایی این  مدل برای شبیه‌سازی رابطه بارندگی- رواناب می‌افزاید. UR - https://www.iwrr.ir/article_15762.html L1 - https://www.iwrr.ir/article_15762_2acaa844c01dfc0c4ad4ed982f392406.pdf ER -