ناشر تخصصی کنفرانس های ایران

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

Individual and Hybrid Artificial Intelligence Approaches for Spatial Prediction of Flood at Haraz Watershed

تعداد صفحات: 5 | تعداد نمایش خلاصه: 111 | نظرات: 0
سال انتشار: 1398
کد COI مقاله: KSAHC03_035
زبان مقاله: انگلیسی
(فایل این مقاله در 5 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 5 صفحه است در اختیار داشته باشید.

قیمت این مقاله : 3,000 تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Individual and Hybrid Artificial Intelligence Approaches for Spatial Prediction of Flood at Haraz Watershed

Ataollah Shirzadi - Department of Watershed Sciences Engineering, Faculty of Natural Resources, University of Kurdistan, Sanandaj, Iran
Himan Shahabi - Department of Geomorphology, Faculty of Natural Resources, University of Kurdistan, Sanandaj, Iran
Kamran Chapi - Department of Watershed Sciences Engineering, Faculty of Natural Resources, University of Kurdistan, Sanandaj, Iran
Shaojun Li - State Key Laboratory of Geomechanics and Geotechnical Engineering, Institute of Rock and Soil Mechanics, Chinese Academy of Sciences, Wuhan, Hubei 130031, China

چکیده مقاله:

Floods as one of the natural disasters have been caused severe economic losses and serious damages recorded in agriculture and urban infrastructure over the world. As flood mitigation is costly and time-consuming process, accurate distinguish the areas where are prone to flood is an essential to its better management. In this study, we compared our obtained results from flood modelling process based on the individual and hybrid machine learning algorithms (MLAs) at Haraz watershed, northern Iran. Eleven conditioning factors were effectively selected and then based on 201 flood locations modelling process was performed. The individual and hybrid MLAs were validated and compared using some statistical measures and also area under the receiver operatic curve (AUC). The finding concluded that alternating decision tree (ADT) and Boosted regression tree (BRT) algorithms acquired the most goodness-of-fit and prediction accuracy in comparison to other individual algorithms. Moreover, among hybrid models EMmedian (AUC=679.0 ) and imperialistic competitive algorithm (ICA) in combination with adaptive network-based fuzzy inference system (ANFIS) achieved the highest performance (AUC=679.. ). Additionally, our results illustrated that Meta classifiers such as bagging improved the power prediction of base classifies such as logistic model tree classifier (AUC=679.6 ). This finding helps to decision makers to better management flood prone areas in the study area.

کلیدواژه ها:

Flood, Machine learning, Goodness-of-fit, Over-fitting, GIS, Haraz watershed

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/903806/

کد COI مقاله: KSAHC03_035

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:
Shirzadi, Ataollah و Shahabi, Himan و Chapi, Kamran و Li, Shaojun,1398,Individual and Hybrid Artificial Intelligence Approaches for Spatial Prediction of Flood at Haraz Watershed,سومین کنفرانس ملی هیدرولوژی مناطق نیمه خشک با محوریت آب،انسان،طبیعت,سنندج,,,https://civilica.com/doc/903806

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: (1398, Shirzadi, Ataollah؛ Himan Shahabi و Kamran Chapi و Shaojun Li)
برای بار دوم به بعد: (1398, Shirzadi؛ Shahabi و Chapi و Li)
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
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.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 4,384
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات پیشنهادی مرتبط

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