ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

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

تعداد صفحات: 22 | تعداد نمایش خلاصه: 85 | نظرات: 0
سال انتشار: 1397
کد COI مقاله: JR_CEJ-4-5_020
زبان مقاله: انگلیسی
(فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.

با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید.در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.

لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.

برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

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 در اختیار داشته باشید.

قیمت این مقاله : 3,000 تومان

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, 100 East Boyd St,SEC Suite 662, Norman, OK 73019.
James Phillip King - Professor, Dept. of Civil Engineering, New Mexico State University, MSC 3CE, PO Box 30001, Las Cruces, NM, USA 88003, 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, 100 East Boyd St., EC Suite 562, Norman, OK73019, USA, 88003
Naci Dilekli - Postdoctoral Research Associate, Texas AgriLife Research & Extension Center at El Paso, Texas A&M University System, 1380 A&M Circle, ElPaso, TX 79927

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:

Artificial Neural Networks; Data Mining; Streamflow Prediction; Reservoir Management

کد مقاله/لینک ثابت به این مقاله

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/

کد COI مقاله: JR_CEJ-4-5_020

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 و King, James Phillip و Asce, P.E.M و 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 و P.E.M Asce و Naci Dilekli)
برای بار دوم به بعد: (1397, Zamani Sabzi؛ King و Asce و 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

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