کاربرد سیستم استنتاج عصبی - فازی تطبیقی به منظور پیش بینی رواناب درحوزه آبخیز لتیان

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 528

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CEUCONF02_385

تاریخ نمایه سازی: 1 مهر 1394

چکیده مقاله:

پژوهش حاضر با هدف شبیه سازی بارش – رواناب با دخالت دادن ارتفاع آب معادل برف به کمک انتاج عصبی فازی تطبیقی در حوزه آبخیز رودک واقع در استان تهران صورت گرفته است بدین منظور 92 تصویر سنجیده مودیس در طی سه سال آبی 1383-1382 تا 1385-1384 از سایت ناسا دریافت گردید و سطح پوشش برغف در هر یک از تصاویر استخراج و میزان ارتفاع آب معادل برف در طی سالهای مورد نظر محاسبه گردید. همچنین داده های ارتفاع بارندگی درجه حرارت و دبی در سالهای مورد نظر در دسترس بوده و مدل نروفازی با ساختار با ورودی های مختلف ساخته شد نتایج نشان داد که مدل نروفازی با ساختار بارندگی دما و آب معادل برف با یک روز تاخیر با ریشه میانگین مربعات خطا 05/0 و ضریب تبیین 62/0 نسبت به سایر مدل ها، پیش بینی دقیق تری داشته است که می توان نتیجه گرفت وارد کردن آب معادل برف به مدل ها باعث بهبود عملکرد مدل ها و افزایش دقت آن شده است

کلیدواژه ها:

هوش مصنوعی ، شبکه عصبی چندلایه - مدل بارش - رواناب ، ارتفاع آب معادل برف ، حوزه آبخیزرودک

نویسندگان

فاطمه صدیقی

دانش اموخته کارشناسی ارشدآبخیزداری دانشگاه آزاد اسلامی واحد نور

مهدی وفاخواه

استادیاردانشکده نمنابع طبیعی دانشگاه تربیت مدرس

محمدرضا جوادی

استادیار گروه مهندسی منابع طبیعی دانشگاه آزاد اسلامی واحد نور

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 :
  • اکبرپور، م. م، راهنما، و غ، بارانی، ،03 20"مقایسه مدل ...
  • مدل شبکه عصبی مصنوعی برای بررسی همبستگی روزانه بین ایستگاه ها در پیش بینی جریان ورودی به مخزن سد دز [مقاله ژورنالی]
  • پوستی زاده، ندا و نعیمه، نجفی. 1390" مقایسه کاربرد شبکه ...
  • دستورانی، م، ح، دارانی، ع، طالبی و ع. مقدم نیا، ...
  • زارع ابیانه، ح، و م بیات ورکشی.1390" ارزیابی مدلهای هوشمند ...
  • طبری، ح، ص، معروفی، ح، زارع ابیانه، ر، امیری چایجان ...
  • مدلسازی بارندگی- رواناب در حوضه آبریز رودخانه کربه روش شبکه عصبی مصنوعی [مقاله کنفرانسی]
  • محمودیان، ع، .قاسمی..غ، هوشمند فینی.وم، سرمدی.388 1، شهرستان شمران انتشارات ...
  • وفاخواه، م، م، محسنی ساروی، م، مهدوی، ،ک، علوی پناه، ...
  • Alvisi, S., G.Mascellani, M.Franchini, & A., Bardossy, 2006. Water level ...
  • Aqil, M., I., Kita, A.Yano, & S., Nishiyama, 2 007 ...
  • Baareh, A.K., A.F. Sheta, & K.A., Khnaifes, 2006. Forecasting river ...
  • Coulibaly, P., F. Anctil, & B., Bobee, 2000.Daily reservoir inflow ...
  • Dawson, C. & R..Wilby, 2001. Hydrological modelling using artificial neural ...
  • Firat, M. and M., Gingor, 2007. River flow estimation using ...
  • Hall, D. K., G, A Riggs, V.V, Salomonson., 2001.Algoritm theoreticall ...
  • Aldorithm s, Available at :http ://modis. gsfc _ nasa. gov/data/atb ...
  • Khan, M.S. & P., Coulibaly, 2006. Bayesian neural network for ...
  • Klein, A.G., , D.K .Hall.& G.A Seidel., 1998.Aloritm Intercompari _ ...
  • Kurtulus, B.&M, Razack. 2010. Modeling daily discharge responses of a ...
  • Lorrai, M. & G., Sechi, 1995. Neural nets for modelling ...
  • Nilsson, P., Uvo, C.B.& R., Berndtsson, 2006. Monthly runoff simulation: ...
  • Raghuwanshi, N., R. Singh, & L, Reddy, 2006. Runoff and ...
  • Shamseldin, A.Y., 1997. Application of a neural network technique to ...
  • Tokar A. _ & P. A.Johnson , 1999. Rainfall-runo ff ...
  • Tokar, A.S. & M., Markus, 2000. Prec ip itation-runof modeling ...
  • Wang, W., P.H.V , Gelder, J.Vrijling, & J., Ma, 2006. ...
  • Zeinivand.H. , & F.De , Smedt , 2009 .Hydrological Modeling ...
  • http ://ladsweb .nascom .nasa.gov ...
  • نمایش کامل مراجع