پیش بینی غلظت TDS رودخانه ی زرینه رود بر مبنای کمترین تعداد پارامتر ورودی به کمک برنامه ریزی ژنتیک

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 672

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ESPME03_444

تاریخ نمایه سازی: 25 اسفند 1392

چکیده مقاله:

دریاچه ارومیه یکی از مهمترین و ارزشمند ترین زیست بوم های آبی ایران است. این دریاچه به دلیل برخوردار بودن از ارزش های بی نظیر طبیعی و اکولوژیک به عنوان پارک ملی، سایت رامسر و ذخیره گاه زیست کره یونسکو معرفی شده است[11]. با توجه به شرایط اکولوژیکی و جغرافیایی این دریاچه در طی سالهای اخیر، پیش­بینی دقیق کیفیت آب رودخانه های منتهی به این دریاچه یکی از مهمترین ارکان در مدیریت منابع آبهای سطحی می باشد. تاکنون تحقیقات وسیعی در خصوص کاربرد روش های هوش مصنوعی و برنامه ریزی ژنتیک و برتری دقت این روش ها بر روشهای متداول آماری در دهه های اخیر ارائه شده است. در تحقیق حاضر از روش برنامه ریزی ژنتیک با در نظر گرفتن کمترین مقدار به عنوان پارامترهای ورودی مدل برای پیش بینی مقدار غلظت املاح محلول در رودخانه استفاده گردید. بدین منظور از روش رگرسیون گام به گام استفاده شد. نتایج رگرسیون گام به گام نشان داد 3 پارامتر Na+، Ca++ و Mg++ دارای بیشترین سطح معنی داری نسبت به دیگر پارامترها در پیش بینی مقدار TDS می باشند. همچنین نتایج مربوط به برنامه ریزی ژنتیک نیز حاکی از آن می باشد که می توان در بررسی ها و تخمین پارامتر غلظت املاح محلول از آن به عنوان یک ابزار مناسب استفاده نمود.

نویسندگان

مهدی حسامی افشار

دانشجوی کارشناسی ارشد مهندسی منابع آب، دانشگاه ارومیه،

کیوان خلیلی

استادیار گروه مهندسی آب، دانشگاه ارومیه،

توحید علیقلی نیا

دانشجوی کارشناسی ارشد آبیاری و زهکشی، دانشگاه ارومیه،

سروین زمانزاد قویدل

دانشجوی کارشناسی ارشد مهندسی منابع آب، دانشگاه ارومیه،

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 :
  • فربودنام، ن؛ قربانی، م؛ ع.؛ اعلمی، م: 1388، « پیش‌بینی ...
  • احمدی، فرشاد، دین پژوه، یعقوب، فاخری فرد، احمد و خلیلی، ... [مقاله کنفرانسی]
  • Mehdi Hesamiafsharc ', Keyvan Khalili;, Tohid Aligholinia", Sarvin Zamanzad ghavide" ...
  • Aytek, A; Alp, M: 2008. An application of artificial intelligence ...
  • Borelli, A. DeFalco I, Della CA, Nicodemi N and Trautteur ...
  • Coulibaly, P; Anctil, F; Aravena, R; Bobee, B: 2001. Artificial ...
  • Hashmi, M.Z; Shamseldin, A.Y; Melville, B.W: 2011. Statistical downscaling of ...
  • Guven, A: 2009. Linear genetic programming for time-series modeling of ...
  • Goyal, M.K; Ojha, C.S.P: 2011. Estimation of scour downstream of ...
  • Guven, A; Gunal, M: 2008. Genetic programming approach for prediction ...
  • Guven, A; Talu, N.E: 2010. Gene -expression programming for estimating ...
  • Gildal, V; Tongal, H: 2010. Comparison of recurrent neural network, ...
  • Inbook, George C. S. Wang, Chaman L. Jain, 2003, Regression ...
  • Integrated Management Plan For Lake Urmia Basint Saving Wetlands, For ...
  • Khu, S.T; Liong, S.Y; Babovic, V; Madsen, H; Muttil, N: ...
  • Kisi, O: 200)6. Daily pan evaporation modeling using a neuro-fuzzy ...
  • Kisi, O: 2007. Ev ap otranspiration modeling from climate data ...
  • Kisi, O: 2007. Streamflow forecasting using different artificial neural network ...
  • Kisi, O; Shiri, J; Nikoofar, B: 2012. Forecasting daily lake ...
  • Kisi, O: Shiri, J: Tombul, M: 2013. Modeling rainfall-runof process ...
  • Kumar, M; Raghuwanshi, N.S; Singh, R; Wallender, W.W; Pruitt, W.O: ...
  • Liong, S.Y; Gautam, T.R; Khu, S.T; Babovic, V; Keijzer, M; ...
  • Sanikhani, H; Kisi, O: 2012. River _ Estimation and Forecasting ...
  • Shiri, J; Kisi, O; Landeras, G; Lopez, J.J; Nazemi, A.H; ...
  • Sighn, K.P; Basant, A; Malik, A; Jain, G: 2009. Artificial ...
  • Wu, H.J; Lin, Z.Y; Guo S.L, 2000). The application of ...
  • Xiang, S.L; Liu, Z.M; Ma L.P: 206. Study of multivariac ...
  • نمایش کامل مراجع