@article { author = {Kazempoor, K. and Bashiri, Mehdi and Akbari, M.}, title = {Modelling the Relationship between Physical Characteristics of Watershed and the Runoff and Sediment (Case Study: Garmab Watershed, Razavi Khorasan Province)}, journal = {Extension and Development of Watershed Management}, volume = {5}, number = {19}, pages = {1-9}, year = {2018}, publisher = {Watershed Management Society of Iran}, issn = {2645-4777}, eissn = {}, doi = {}, abstract = {Achieving the detailed information about flood and sediment, due to practical problems and the lack of hydrometric and sediment gaging stations is very costly and difficult. Therefore, the present research is sought to determine the significant relationships between the physical parameters of Garmab watershed and various components of flood and sediment. For this purpose, all input information such as area and perimeter of watershed, the watershed maximum, minimum and average altitudes of sea level, main stream length, main stream slope, watershed slope, form factor and drainage density variables, annual erosion and special erosion (m3/km2/y) and flood with the return periods of 2, 5, 10, 25, 50 and 100 years (m3/s) collected. Then, the relationship between 8 estimated parameters of flood and sediment and 10 physical parameters of watershed performed using the multivariate regression analysis and neural network methods. The study of the effective inputs in the multivariate regression method showed that the area and slope variables of watershed are the effective parameters in flood production and the area, minimum and average height of watershed and the main stream length variables are the effective parameters in the sediment production at Garmab watershed. Also the radial basis function network (RBF) for the predicted values of specific erosion and multi-layer perceptron network (MLP) for the predicted values of the estimated annual erosion, respectively, with the maximum values in the coefficient of determination equal to 0.98 and 0.99 and the minimum values in the root mean squared error equal to 0.16 and 253.56, selected as the most efficient models. But for the predicted values of flood with the return periods of 2, 5, 10, 25, 50 and 100 years, the multivariate regression model according to the maximum value of the coefficient of determination, the minimum values in the root mean squared error and the absolute relative error, selected as the best model.}, keywords = {Artificial neural network,Garmab Watershed,Multivariate regression,Multi-layer perceptron,Radial Basis Function}, title_fa = {مدل‌سازی رابطه بین خصوصیات فیزیکی حوزه آبخیز و رواناب و رسوب (مطالعه موردی: حوزه گرماب، استان خراسان رضوی)}, abstract_fa = {دستیابی به اطلاعات دقیق سیلاب و رسوب، به­دلیل مشکلات اجرایی و فقدان ایستگاه‌های هیدرومتری و رسوب­سنجی مناسب بسیار هزینه‌بر و مشکل می‌باشد. لذا تحقیق حاضر درصدد تعیین ارتباطات معنی‌دار بین پارامترهای فیزیکی حوزه گرماب و مؤلفه‌های مختلف سیلاب و رسوب می­‌باشد. بدین منظور کلیه اطلاعات ورودی همچون متغیرهای مساحت و محیط حوزه‌، ارتفاع حداکثر، حداقل و متوسط حوزه­­ از سطح دریا، طول آبراهه اصلی، شیب آبراهه اصلی، شیب حوزه، ضریب شکل و تراکم زهکشی، فرسایش سالانه و فرسایش ویژه برحسب مترمکعب در کیلومتر مربع در سال و سیل با دوره بازگشت‌های 2، 5، 10، 25، 50 و 100 ساله به مترمکعب در ثانیه جمع‌آوری شد. سپس ارتباط بین هشت پارامتر برآورد شده سیلاب و رسوب و 10 پارامتر فیزیکی حوزه از طریق روش­‌های تجزیه‌وتحلیل آماری رگرسیون چند­متغیره و شبکه عصبی انجام پذیرفت. بررسی ورودی‌­های مؤثر در روش رگرسیون چندمتغیره نشان داد که متغیرهای مساحت و شیب حوزه پارامترهای مؤثر در تولید سیلاب و متغیرهای مساحت، ارتفاع حداقل و متوسط حوزه و طول آبراهه اصلی پارامترهای مؤثر در تولید رسوب حوزه گرماب می‌­باشند. همچنین شبکه تابع پایه شعاعی برای مقادیر پیش‌بینی‌شده فرسایش ویژه و شبکه پروسپترون چند­لایه برای فرسایش تخمینی سالانه به‌­ترتیب با حداکثر ضریب تبیین 0/98 و 0/99 و حداقل جذر میانگین مربعات خطایی برابر با 16/0 و 63/253 به­عنوان کارآمدترین مدل انتخاب شد. اما برای مقادیر پیش‌­بینی شده سیلاب با دوره بازگشت‌های 2، 5، 10، 25، 50 و 100 ساله، مدل رگرسیون چندمتغیره باتوجه به حداکثر ضریب تبیین، حداقل جذر میانگین مربعات خطا و قدر مطلق خطای نسبی به‌­عنوان برترین مدل برگزیده شد.}, keywords_fa = {پروسپترون چندلایه,تابع پایه شعاعی,حوزه‌ آبخیز گرماب,رگرسیون چند‌متغیره,شبکه عصبی مصنوعی}, url = {https://www.wmji.ir/article_696793.html}, eprint = {https://www.wmji.ir/article_696793_66f87163bdfbd174fee937c9b6c9d574.pdf} }