اسدی، مریم؛ فتحزاده، علی؛ 1397. بررسی کارایی مدلهای مبتنی بر هوش محاسباتی در برآورد بار معلق رودخانهها (مطالعه موردی: استان گیلان).
مرتع و آبخیزداری (منابع طبیعی ایران)،71 (1): 60-45. https://
10.22059/JRWM.2018.222810.1083
افخمی، حمیده؛ دستورانی، محمدتقی؛ فتوحی، فرزانه؛ 1395. تأثیر توزیعهای احتمالاتی در افزایش دقت پیشبینی رسوب معلق با استفاده از شبکههای عصبی مصنوعی و سیستم استنتاج فازی-عصبی (مطالعه موردی: حوزه آبخیز سد دز). مرتع و آبخیزداری (منابع طبیعی ایران), 69 (2), 323-338.
آرمین، محسن؛ قرباننیا، وجیهه؛ 1388. بررسی رابطه دبی آب و دبی رسوب با استفاده از آمار طولانیمدت ایستگاههای هیدرومتری (مطالعه موردی: رودخانههای چالوس و هریجان در استان مازندران)، هشتمین سمینار بیناللملی مهندسی رودخانه، دانشگاه شهید چمران، اهواز.
https://civilica.com/doc/86206/
باباعلی، حمیدرضا؛ دهقانی، رضا؛ 1398. بررسی عملکرد مدل شبکه عصبی موجک در تخمین دبی روزانه.
مجله علوم و مهندسی ابیاری، 42 (3): 116-105.
10.22055/JISE.2017.22047.1580// https:
بهزادفر، مرتضی؛ صادقی، حمیدرضا؛ خانجانی، محمد جواد؛ حزباوی، زینب؛ 1391. تأثیرپذیری تولید روان آب و رسوب خاکهای تحت چرخه انجماد_ ذوب در شرایط شبیهساز باران.
نشریه حفاظت منابع آب و خاک.2 (1).13-23.
https://wsrcj.srbiau.ac.ir/article_1974.html
پیروی، علی؛ حبیبنژاد، محمد؛ احمدی، مرتضی؛ سلیمانی، کریم؛ مساعدی، ابوالفضل؛ 1384. بهینهسازی رابطه دبی آب و رسوب در حوضه معرف امامه،
پژوهشنامه علوم کشاورزی و منابع طبیعی خزر، 3 (3): 40-30.
https://www.magiran.com/volume/32830
حیاتزاده، مهدی؛ اختصاصی، محمد رضا؛ ملکینژاد، حسین؛ فتحزاده، علی؛ ۱۳۹۶. بهینه یابی برآورد میزان رسوب معلق در مناطق خشک مطالعه موردی: حوضه فخرآباد مهریز (یزد)،
فصلنامه علوم آب و خاک 21 (1):13-1. https://
10.18869/acadpub.jstnar.21.1.113
عطائی، یاسمن؛ نیکپور، محمد رضا؛ کانونی، امین؛ حسینی، یاسر؛ ۱۳۹۸. برآورد بار معلق رودخانه با استفاده از مدلهای GEP،ANN و منحنیسنجه (مطالعه موردی: ایستگاه مشیران، رودخانه درهرود)، دومین کنفرانس بینالمللی و ششمین کنفرانس ملی کشاورزی ارگانیک و مرسوم، اردبیل، دانشگاه محقق اردبیلی، 10-1.
https://repository.uma.ac.ir/id/eprint/9461/
محمدی، صدیقه؛ 1398. شبیهسازی بار رسوب معلق با استفاده از روشهای شبکه عصبی مصنوعی، عصبی-فازی و منحنی سنجه رسوب در حوزه آبخیز هلیلرود.
نشریه علمی-پژوهشی مهندسی و مدیریت آبخیز. 11 (2): 452-466.
https://doi.org/10.22092/ijwmse.2017.108140.1219
مختاری، رامین؛ آخوندزاده هنزائی، مهدی؛ ا1398. ترکیب شبکه عصبی و تبدیل موجک بهمنظور پیشبینی خشکسالی کشور ایران با استفاده از دادههای ماهوارهای مادیس و .
TRMMنشریه مهندسی فناوری اطلاعات مکانی، 7 (4): 191-175.
https://jgit.kntu.ac.ir/article-1-769-fa.html
نورانی، وحید؛ عندلیب، غلامرضا؛ 1396. بکارگیری مدلهای ترکیبی موجک- شبکه عصبی مصنوعی و ماشین بردار پشتیبان در پیشبینی بار رسوب معلق آجی چای.
رویکردهای نوین در مهندسی عمران، 1 (2): 55-46. https://
10.30469/JNACE.2018.63079
Abda, Z., Zerouali, B., Alqurashi, M., Chettih, M., Santos, C.A.G., Hussein, E.E., 2021. Suspended Sediment Load Simulation during Flood Events Using Intelligent Systems: A Case Study on Semiarid Regions of Mediterranean Basin. Water, 13, 3539.
https://doi.org/10.3390/ w13243539.
Asadi, M., Fathzadeh, A., Kerry, R., 2021. Prediction of river suspended sediment load using machine learning models and geo-morphometric parameters. Arab J Geosci 14, 1926.
https://doi.org/10.1007/s12517-021-07922-6.
Choi, S.U., and Lee, J., 2014. Prediction of Total Sediment Load in Sand-Bed Rivers in Korea Using Lateral Distribution Method. Journal of the American Water Resources Association, 51 (1): 214-225.
https://doi.org/10.1111/jawr.12249.
Doroudi, S., Sharafati, A., Mohajeri, S.H., 2021. Estimation of Daily Suspended Sediment Load Using a Novel Hybrid Support Vector Regression Model Incorporated with Observer-Teacher-Learner-Based Optimization Method. Hindawi- Complexity.
https://doi.org/10.1155/ 2021/5540284.
Hanoon, M.S., Abdullatif B, A.A., Ahmed, A.N., 2022. A comparison of various machine learning approaches performance for prediction suspended sediment load of river systems: a case study in Malaysia. Earth Sci Inform 15, 91–104.
https://doi.org/10.1007/s12145-021-00689-0.
Khan, M.Y.A., Tian, F., Hasan, F. and Chakrapani, G.J., 2019. Artificial neural network simulation for prediction of suspended sediment concentration in the River Ramganga, Ganges Basin, India. International journal of sediment research, 34 (2), pp.95-107.
https://doi.org/10.1016/j.ijsrc.2018.09.001.
Kaffas, K., Papaioannou, G., Varlas, G., Al Sayah, M.J., Papadopoulos, A., Dimitriou, E., Katsafados, P., and Righetti, M., 2022. Forecasting soil erosion and sediment yields during flash floods: The disastrous case of Mandra, Greece, 2017. Earth Surface Processes and Landforms.
https://doi.org/10.1002/esp.5344.
Roushangar, K., Shahnazi, S., Azamathulla, H.M., 2023. Sediment Transport Modeling through Machine Learning Methods: Review of Current Challenges and Strategies. In: Pandey, M., Azamathulla, H., Pu, J.H. (eds) River Dynamics and Flood Hazards. Disaster Resilience and Green Growth. Springer, Singapore.
https://doi.org/10.1007/978-981-19-7100-6_13.
Sahoo, G.K., Sahoo, A., Samantara, S., Satapathy, D.P., Satapathy, S.C., 2023. Application of Adaptive Neuro-Fuzzy Inference System and Salp Swarm Algorithm for Suspended Sediment Load Prediction. In: Bhateja, V., Sunitha, K.V.N., Chen, YW., Zhang, YD. (eds) Intelligent System Design. Lecture Notes in Networks and Systems, vol 494. Springer, Singapore.
https://link.springer.com/chapter/10.1007/978-981-19-4863-3_32.
Satari, M.T., Rezazade Jodi, A., Safdari, F. & Ghahremanzadeh, F., 2015. Performance evaluation of M5 tree model and support vector regression methods in suspended sediment load modeling. Journal of Water and Soil Conservation, 6 (1) : 109-124 (in Persian).
https://wsrcj.srbiau.ac.ir/article_9469.html?lang=en
Zhu, Y.M., Lu, X.X., & Zhou, Y., 2007. Suspended sediment flux modeling with artificial neural network: an example of the Longchuanjiang River in the Upper Yangtze Catchment, China. Geomorphology, 84 (3): 111-125.
https://doi.org/10.1016/j.geomorph.2006.07.010.
Zounemat-Kermani, M., Kisi, O., Adamowski, J. and Ramezani-Charmahineh, A., 2016. Evaluation of data driven models for river suspended sediment concentration modeling. Journal of Hydrology, 535, pp. 457-472.
https://doi.org/10.1016/j.jhydrol.2016.02.012.
ارسال نظر در مورد این مقاله