مقایسه مدل‌های تلفیقی ARMA-PARCH و ARMA-ARCH در مدل‌سازی بیشینه سیلاب لحظه‌ای (مطالعه موردی: رودخانه سیمینه‌رود استان آذربایجان غربی)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مهندسی آب، دانشگاه ارومیه

2 استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه

کلیدواژه‌ها


عنوان مقاله [English]

Comparing Combined ARMA-PARCH and ARMA-ARCH Models for Modeling Peak Flow Discharge (Case Study: Siminehrood River in the West Azarbaijan Province)

نویسندگان [English]

  • Mohammad Nazeri Tahrodi 1
  • Keivan Khalili 2

کلیدواژه‌ها [English]

  • ARCH
  • Linear models
  • Nonlinear models
  • PARCH
  • Peak flow discharge
جهانبخش س، خورشیددوست ع‌م، میرهاشمی ح، خرمی ه و تدینی م، 1393. روندیابی تغییرات نیاز آبی گیاه مرجع و متغیرهای هواشناختی مرتبط با آن در آذربایجان شرقی. نشریه آب و خاک مشهد، جلد 28، شماره 2، صفحه‌های 296 تا 306.
حامی کوچه باغی م‌ر، ناظمی اح، اشرف صدرالدینی ع و دلیر حسن‌نیا ر، 1395. نگرش ریاضی به نقش مؤلفه سرعت باد در رابطه فائو ـ پنمن ـ مونتیث برای محاسبه تبخیر ـ تعرق مرجع. نشریه دانش آب و خاک، جلد 26، شماره 2/1، صفحه‌های 1 تا 14.
حسن‌زاده‌ ی، لطف اللهی یقین م، شاهوردی س، فرزین س و فرزین ن، 1391. نویززدایی و پیش‌بینی سری زمانی بر پایه الگوریتم موجک ونظریه آشوب (مطالعه موردی: شاخص پایش خشکسالی SPI شهر تبریز). نشریه تحقیقات منابع آب، شماره 3، صفحه‌های 1 تا 13.
رحمیی خوب ع و محمودی ع،1390. برآورد تبخیر ـ تعرق واقعی از سطح حوضه آبریز با استفاده از مدل‌های شبکه عصبی و حداقل داده‌های هواشناسی ـ مطالعه موردی حوضه معرف امامه. نشریه تحقیقات منابع آب، شماره 4، صفحه‌های 51 تا 61.
زاهدی م، ساری صراف ب و جامعی ج، 1386. تحلیل تغییرات زمانی ـ مکانی دمای منطقه شمال‌غرب ایران. جغرافیا و توسعه، شماره 10، صفحه‌های 183 تا 198.
سلطانی ج، مقدم نیا ع‌ر، پیری ج، میرمرادزهی ج، 1392. مقایسه کارآیی مدل های تلفیقی NN-ARX و ANFIS با GA-GT جهت تخمین تبخیر روزانه از تشت در شرایط اقلیمی خشک و گرم بلوچستان. نشریه آب و خاک مشهد، جلد 27، شماره 2، صفحه‌های 381 تا 393.
شریفی م‌ب و صالحی‌سده ر، 1384. کاربرد شبکه‌های عصبی در پیش‌بینی جریان رودخانه در حوضه معرف کارده. کمیته تحقیقات شرکت سهامی آب منطقه‌ای خراسان، دفتر فنی و پژوهش‌های کاربردی شرکت مدیریت منابع آب ایران.
شفائی م، فاخری فرد ا، دربندی ص و قربانی م‌ع، 1392. پیش بینی جریان روزانه رودخانه با استفاده از مدل هیبرید موجک و شبکه عصبی، مطالعه موردی ایستگاه هیدرومتری ونیار در حوضه آبریز آجی چای. نشریه مهندسی آبیاری و آب ایران، شماره 14، صفحه‌های 113 تا 128.
صدقی ح، 1363. اصول هیدرولوژی مهندسی جلد اول (ترجمه). انتشارات مرکز نشر و ترجمه امور آب وزارت نیروـ تهران، چاپ سوم.
طوفانی پ، مساعدی ا، فاخری فرد ا، دهقانی ا‌ا و موسوی ح، 1389. پیش‌بینی بارش‌های ماهانه با استفاده از تئوری موجک و سری‌های زمانی. اولین همایش توسعه منابع آب. دانشگاه آزاد اسلامی واحد اهواز، 25 آبان‌ماه 1389.
عساکره ح، 1386. تغییرات زمانی ـ مکانی بارش ایران زمین طی دهه‌های اخیر. نشریه جغرافیا و توسعه، شماره 10، صفحه‌های 145 تا 164.
علیزاده ا، 1385. اصول هیدرولوژی کاربردی، انتشارات آستان قدس رضوی، چاپ بیست و سوم.
قره‌خانی ا و قهرمان ن، 1389. بررسی روند تغییرات فصلی و سالانه رطوبت نسبی و نقطه شبنم در چند نمونه اقلیمی ایران. نشریه آب و خاک مشهد، جلد 24، شماره 4، صفحه‌های 636 تا 646.
کتیرایی پ‌‌س، حجام س و ایران‌نژاد پ، 1386. سهم تغییرات فراوانی و شدت بارش روزانه در روند بارش در ایران طی دوره 1960 تا 2001. مجلۀ فیزیک زمین و فضا، شماره 1، صفحه‌های 67 تا 83.
میرعباسی نجف‌آبادی ر و دین پژوه ی، 1389. تحلیل روند تغییرات آبدهی رودخانه‌های شمال غرب ایران در سه دهه اخیر. نشریه آب و خاک، جلد 24، شماره 4، صفحه‌های 757 تا 768.
نیکو م، فتحیان ح و کمان‌بدست ا، 1388. استفاده از سری‌های زمانی و الگوریتم ژنتیک در مدل‌های شبکه عصبی مصنوعی تکاملی برای روندیابی سیلاب در رودخانه. هشتمین سمینار بین‌المللی مهندسی رودخانه، دانشگاه شهید چمران اهواز، 6 تا 8 بهمن‌ماه 1388.
ولیزاده کامران خ، 1393. برآورد تبخیر تعرق پتانسیل در آذربایجان شرقی به روش استفنز با استفاده از GIS. نشریه جغرافیا و برنامه‌ریزی دانشگاه تبریز، شماره 49، صفحه‌های 317 تا 334.
Abghari H, Ahmadi H., Besharat S and Rezaverdinejad V, 2012. Prediction of daily pan evaporation using wavelet neural networks. J. Water. Resour. Manag 26: 3639–3652.
Allen RG, Pereira LS, Raes D and Smith M, 1998. Crop Evapotranspiration: guidelines for computing crop water requirements. FAO Irrigation and Drainage Paper 56, Rome, Italy, 300 p.
Daubechies I, 1992, Ten lectures on wavelets. Society for Industrial and Applied Mathematics.
Evrendilek F, 2012. Assessing neural networks with wavelet denoising andregression models in predicting diel dynamics of eddy covariance-measuredlatent and sensible heat fluxes, and evapotranspiration. J. Neural. Comput. Appl 24: 327-337.
Landeras G, Ortiz-Barredo A and Lopez JJ, 2008. Comparison of artificial neural network models and empirical and semi-empirical equations for daily reference evapotranspiration estimation in the Basque Country (Northern Spain). J. Agri. Water. Manag 95: 553– 565.
Partal T, 2009, Modelling evapotranspiration using discrete wavelet transform and neural networks. J. Hydrol. Process 23: 3545–3555.
Sanford WA, Selnick DL, 2013. Estimation of Evapo-transpiration across the conterminous United State. JAWRA 49: 217-230.
Teuling AJ, Van Loon AF, Seneviratne SI, Lehner I, Aubinet M, Heinesch B, Bernhofer C, Grünwald T, Prasse H and Spank U, 2013. Evapotranspiration amplifies European summer drought. J.Geophysics. Res. Lett 40: 2071-2075.
Trajkovic S, Todorovic B and Stankovic M, 2003, Forecasting of reference evapotranspiration by artificial neural networks. J. Irrig. Drain. Eng 129: 454- 457.
Wang WG and Luo YF, 2007. Wavelet network model for reference crop evapotranspiration forecasting. Pp. 751-755. Wavelet Analysis and Pattern Recognition International Conference. 2-4 Nov, Beijing, China.