مدلسازی بارش-رواناب با استفاده از مدل یادگیر عمیق (مطالعه موردی: حوضه آبریز گالیکش)
محل انتشار: فصلنامه حفاظت منابع آب و خاک، دوره: 10، شماره: 2
سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 391
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WSRCJ-10-2_005
تاریخ نمایه سازی: 4 آبان 1400
چکیده مقاله:
شبکه های عصبی مصنوعی یکی از روش های داده کاوی است که توسط پژوهشگران زیادی در حوزه های مطالعاتی مختلفی همچون مدلسازی آماری بارش-رواناب استفاده می شود. جهت بهبود عملکرد این شبکه ها، شبکه های عصبی یادگیر عمیق توسعه یافته اند تا دقت مدلسازی را افزایش دهند. پژوهش حاضر به منظور ارزیابی شبکه های یادگیرعمیق در بهبود عملکرد شبکه های عصبی مصنوعی در حوضه آبریز گالیکش انجام شد تا بر اساس داده های بارش و دما با گام های تاخیر زمانی ۱ تا ۵ ماهه، دبی در مقیاس زمانی ۱، ۳، ۶ و ۱۲ ماهه پیش بینی شود. نتایج مدل سازی بر اساس ۷۰ درصد داده ها (آموزش) و ۳۰ درصد داده ها (آزمون) نشان داد که در تمامی دوره های زمانی، شبکه عصبی یادگیر عمیق باعث بهبود عملکرد شبکه عصبی مصنوعی شده است و بطور متوسط RMSE در داده های آموزش از ۶۸/۰ به ۶۵/۰ و درداده های آزمون از ۸۴/۰ به ۷۳/۰ کاهش یافته است و ضریب تعیین نیز بطور متوسط برای داده های آموزش از ۵۷/۰ به ۶۲/۰ و برای داده های آزمون از ۵۱/۰ به ۶۷/۰ افزایش یافته است. از دیگر نتایح این پژوهش نیز می توان به تاثیر دما بر افزایش دقت مدلسازی بارش- رواناب اشاره کرد.
کلیدواژه ها:
نویسندگان
راضیه طاطار
دانش آموخته کارشناسی ارشد منابع آب، دانشکده مهندسی آب، دانشگاه کشاورزی و منابع طبیعی گرگان، گرگان، ایران.
خلیل قربانی
دانشیار گروه مهندسی آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
مهدی مفتاح هلقی
دانشیار گروه مهندسی آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
میثم سالاری جزی
استادیار گروه مهندسی آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان