Bayesian Neural Networks Modeling and Sensitivity Analysis of Suspended Sediment Load (Case Study Aharchay River Iran)
- سال انتشار: 1395
- محل انتشار: سومین کنفرانس بین المللی توسعه پایدار، راهکارها و چالش ها با محوریت کشاورزی ، منابع طبیعی ، محیط زیست و گردشگری
- کد COI اختصاصی: ICSDA03_064
- زبان مقاله: انگلیسی
- تعداد مشاهده: 491
نویسندگان
Assistant Professor Water Engineering Department University of Tabriz, Tabriz Iran
Fatemeh Akhoni Poure Hosseinei
M.Sc. Student Water Engineering Department University of Tabriz, Tabriz Iran
M.Sc. Student Water Engineering Department University of Tabriz, Tabriz Iran
چکیده
The forecast of the sediment yield generated within a watershed is an important input in the water resources planning and management. In the current study the efficiency of Bayesian Neural Networks (BNN) and Support Vector Machine (SVM) models was examined for prediction of Suspended Sediment Load (SSL) of the Aharchay River. Stream flow sediment data rainfall and average temperature from 1986-2010 were used to train and test the applied SVM and BNN models. The BNN estimates were compared with SVM result in term of coefficient of determination (R2) and root mean square error (RMSE). The comparison results indicated that the BNN is superior to the SVM in estimating daily suspended sediment load. The study also includes an estimation of the relative importance of variables to determine appropriate input combinations. A method is used in this paper to calculate the relative importance of each input parameters showing that indicates that stream flow and rainfall (one previous day) are the most and least influential parameters with approximate values of %37.06 and %5.39 respectively.کلیدواژه ها
Aharchay River Bayesian neural networks (BNN) Support Vector Machine (SVM) Suspended Sediment Load (SSL)مقالات مرتبط جدید
- معرفی گیاه مرتعی زینتی اسپرک زرد یا ورث (Reseda lutea) مقاوم به شرایط خشک ونیمه خشک جهت استفاده درفضای سبز
- کاربست فناوری بام و دیوار سبز به منظور آسایش حرارتی و خنک سازی انفعالی درساختمان ها و خرد اقلیم های شهری
- بررسی و ارزیابی تناسب فضایی و مکانی پارکهای شهری با رویکرد ایمنی و حقوق شهروندی
- ضرورت توسعه کشت گیاه داروئی کبر (کاپاریس )در کشور
- کوشیا گونه ای مناسب جهت استفاده در فضای سبز مناطق شور و خشک کویری
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.