مدلسازی فرآیند بارش- رواناب با استفاده از روش کنترل گروهی داده ها (GMDH) و شبکه های عصبی مصنوعی (ANN) در حوزه آبخیز پلرود
محل انتشار: پژوهشنامه مدیریت حوزه آبخیز، دوره: 5، شماره: 10
سال انتشار: 1393
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 291
فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWMR-5-10_006
تاریخ نمایه سازی: 17 مهر 1400
چکیده مقاله:
مدلسازی بارش- رواناب یک فرآیند ضروری و پیچیده میباشد که در بهرهبرداری مناسب از مخازن و مدیریت و برنامهریزی صحیح منابع آب نقش عمدهای دارد. مدلسازی این فرآیند با استفاده از روشهای مختلفی امکانپذیر است. از نظر تئوری، در مدلسازی یک سیستم میبایست روابط صریح بین متغیرهای ورودی و خروجی معلوم باشند. در حالیکه به علت معلوم نبودن روابط صریح بین متغیرها و عدم
قطعیتهای ذاتی آنها، استخراج چنین مدلی بسیار مشکل میباشد. بنابراین استفاده از روشهای دادهمحور که محاسبات را در شرایط غیردقیق انجام میدهند و کاربردهای فراوانی در مسائل شناسایی کنترلی داشتهاند، اجتنابناپذیر است. روش کنترل گروهی داده ها ( GMDH ) یکی از انواع این روش ها میباشد که به تدریج یک نگاشت بین متغیرهای ورودی و خروجی تولید می کند. در این تحقیق برای شبیهسازی فرآیند بارش-رواناب حوزه آبریز پلرود، یک مدل بر اساس رویکرد GMDH توسعه داده شده است. ارزیابی نتایج با استفاده از معیارهای آماری انجام شده و همچنین با نتایج شبکههای عصبی ( ANN ) نیز مقایسه شده است. نتایج حاکی از توانایی بالای هر دو روش در پیشبینی و شناسایی روابط پیچیده بین متغیرها در پیشبینی رواناب روزانه ناشی از بارندگی میباشند. مقادیر نتایج معیارهای آماری بیانگر عملکرد بهتر رویکرد استقرائی GHMD نسبت به شبکههای عصبی در مدلسازی بارش- رواناب در این حوزه می باشد.
کلیدواژه ها:
Keywords: Rainfall-Runoff modeling ، Data Driven Method ، GMDH ، ANN ، Polrood
basin ، مدلسازی بارش- رواناب ، روش های داده محور ، روش کنترل گروهی داده ها ، شبکه های عصبی ، حوزه آبریز پلرود
نویسندگان
عادل پورنعمت رودسری
دانشگاه شهید باهنر کرمان
کوروش قادری
دانشگاه شهید باهنر کرمان
شهرام کریمی گوغری
دانشگاه شهید باهنر کرمان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :