مدلسازی بارش- رواناب با استفاده از مدل های مختلف شبکه عصبی و مقایسه آن با مدل درخت تصمیم (مطالعه موردی حوزه شهید نوری کاخک گناباد)

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,001

فایل این مقاله در 8 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:

DPCONF01_033

تاریخ نمایه سازی: 16 اسفند 1394

چکیده مقاله:

براورد دقیق رواناب اهمیت بسیار زیادی از جنبه های گوناگون دارد .چه انکه میزان رواناب حاصل از بارش از یک طرف ممکن است منجر به سیل و مخاطره گردد و از طرف دیگر با عدم استفاده و بهره برداری مناسب از دسترس خارج گردد. بدین جهت برای شناخت عوامل موثر درمیزان رواناب و استاده بهینه از ان مدلسازی می شود. در میان روش ها و مدل های مختلف براورد رواناب ، مدل های شبکه عصبی مصنوعی از جمله روش هایی هستند که در دهه های اخیر با دقت مناسبی در مدل سازی به کار می روند. در این تحقیق نیز برای براورد میزان رواناب حاصل ازبارش ، انواعی از شبکه های عصبی مصنوع در محیط نرم افزار متلب ایجاد شد و بین نتایج حاصله ان ها مقایسه انجام گردید. شبکه های عصبی مصنوعی مورد استفاده در این پژوهش شامل شبکه های عصبی پس از انتشار پیشخور نرمال،پیشخور Cascade، پسخور Elman و مدل درخت تصمیم بودکه در نهایت نتایج نشان داد هر یک از مدل های فوق ، بسته ه تعداد مختلف پارامتر های ورودی ،نرون های لایه پنهان و نیز تعداد لایه های مخفی در زمان اجرای مدل،عملکرد متفاوتی را نشان می دهد. ولی در مجموع با قت مناسبی قادر به براورد رواناب هستند. امار و اطلاعات مورد استفاده مربوط به حوضه های زوجی کاخک گناباد ( اعم از زیر حوزه شاهد و نمونه) و شامل 162 داده حاصل از 18 پلات جای گذاری شده در موقعیت های مختلف ( جهتهای غربی،شمالی و شرقی) و 9 واقعه بارش-رواناب در بازه سال های 2015-2011است.

نویسندگان

محمد مهدی زرعی

دانشجوی کارشناسی ارشد آبخیزداری دانشگاه فردوسی مشهد

محمد تقی دستورانی

دانشیار دانشکده منابع طبیعی و محیط زیست دانشگاه فردوسی مشهد

منصور مصداقی

استاد دانشکده منابع طبیعی و محیط زیست دانشگاه فردوسی مشهد

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 :
  • زرعی، م.م. دستورانی، م.ت. مصداقی، م.، عشقی زاده، م.، 1394. ...
  • شایق، م. ع.، 1390. ارزیابی پروژه های باروری ابرها با ...
  • کیا، م.، 1389. شبکه های عصبی در MATLAB، چاپ سوم، ...
  • مشکانی، ع. و ناظمی، ع. 1388. مقدمه ای بر داده ...
  • عشقی زاده، م.، طرح بازنگری حوزه زوجی کاخک گناباد، 1390، ...
  • یوسفی، م و برزگر، ف.، 1392. بررسی مقایسهای رسوبات بار ...
  • Bhattacharya, B., Price R.K, and Solomatine D.P., (2007). Machine learning ...
  • Sam Jeong, C. Jun Koh, W. and Haeng Heo, J. ...
  • Mahesh P. and Mather P M., (2003), An assessment of ...
  • Janikow, Z. Cezary, Fajfer, Maciej.(2000). "Bottom- up Fuzzy Partitioning in ...
  • Mitchell, T.M. (1997). Machine learning, Mac Graw- Hill, p.52. ...
  • Wang, Thien-Chin, Da Lee, Hsie, (2006). "Constructing a fuzzy Decision ...
  • Taghi Sattari, M., Anli, A.S., Apaydin, H. and Kodal, S., ...
  • Gorindaraju, R.S. and Rao, _ .R. 2000.Artificial Neural Network in ...
  • Chen, J.C., Ning, S.K., Chen, H.W. and Shu, C.S. (2008), ...
  • نمایش کامل مراجع