ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

Developing an ANN Based Streamflow Forecast Model Utilizing Data-Mining Techniques to Improve Reservoir StreamflowPrediction Accuracy: A Case Study

سال انتشار: 1397
کد COI مقاله: JR_CEJ-4-5_020
زبان مقاله: انگلیسیمشاهده این مقاله: 173
فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 22 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Developing an ANN Based Streamflow Forecast Model Utilizing Data-Mining Techniques to Improve Reservoir StreamflowPrediction Accuracy: A Case Study

Hamed Zamani Sabzi - Postdoctoral research associate, Dept. of Geography and Environmental Sustainability, University of Oklahoma, ۱۰۰ East Boyd St,SEC Suite ۶۶۲, Norman, OK ۷۳۰۱۹.
James Phillip King - Professor, Dept. of Civil Engineering, New Mexico State University, MSC ۳CE, PO Box ۳۰۰۰۱, Las Cruces, NM, USA ۸۸۰۰۳, and member of theEngineering Research Center for Re-inventing Urban Water Infrastructure, Stanford University.
P.E.M Asce - Research Scientist, Dept. of Geography and Environmental Sustainability, University of Oklahoma, ۱۰۰ East Boyd St., EC Suite ۵۶۲, Norman, OK۷۳۰۱۹, USA, ۸۸۰۰۳
Naci Dilekli - Postdoctoral Research Associate, Texas AgriLife Research & Extension Center at El Paso, Texas A&M University System, ۱۳۸۰ A&M Circle, ElPaso, TX ۷۹۹۲۷

چکیده مقاله:

This study illustrates the benefits of data pre-processing through supervised data-mining techniques and utilizing thoseprocessed data in an artificial neural networks (ANNs) for streamflow prediction. Two major categories of physicalparameters such as snowpack data and time-dependent trend indices were utilized as predictors of streamflow values.Correlation analysis of different models indicate that, for the period of January to June, using fewer predictors led tosimpler modeling with equivalent accuracy on daily prediction models. This did not hold in all periods. For monthlyprediction models, accuracy was improved compared to earlier works done to predict monthly streamflow for the samecase of Elephant Butte Reservoir (EB), NM. Overall, superior prediction performance was achieved by utilizing dataminingtechniques for pre-processing historical data, extracting the most effective predictors, correlation analysis,extracting and utilizing combined climate variability indices, physical indices, and employing several developed ANNs fordifferent prediction periods of the year.

کلیدواژه ها:

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_CEJ-4-5_020 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/804090/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Zamani Sabzi, Hamed and King, James Phillip and Asce, P.E.M and Dilekli, Naci,1397,Developing an ANN Based Streamflow Forecast Model Utilizing Data-Mining Techniques to Improve Reservoir StreamflowPrediction Accuracy: A Case Study,https://civilica.com/doc/804090

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1397, Zamani Sabzi, Hamed؛ James Phillip King and P.E.M Asce and Naci Dilekli)
برای بار دوم به بعد: (1397, Zamani Sabzi؛ King and Asce and Dilekli)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره 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.

پشتیبانی