پیش بینی تراز آب زیرزمینی دشت شاهرود استفاده از شبکه عصبی مصنوعی تابع پایه شعاعی
Publish place: Journal of Watershed Management Research، Vol: 7، Issue: 13
Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 260
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWMR-7-13_011
تاریخ نمایه سازی: 17 مهر 1400
Abstract:
پیشبینی تراز آب زیرزمینی به منظور مدیریت و برنامهریزی منابع آب، بسیار مهم است. برای انجام این پیشبینی، از روشهای متعددی مانند روشهای استوکستیکی، منطق فازی و شبکه عصبی مصنوعی میتوان استفاده نمود. در تحقیق حاضر، مدل شبکه عصبی مصنوعی RBF هیبرید برای پیشبینی تراز آب زیرزمینی دشت شاهرود مورد استفاده قرار گرفته است. این هیبرید بودن شبکه باعث افزایش دقت روش نسبت به شبکه RBF پایه میشود. بدین منظور آمار ماهانه تراز ایستابی دشت شاهرود و همچنین دادههای هواشناسی مانند دما، بارندگی، رطوبت و تبخیر، دادههای آبهای سطحی مانند دبی ورودی و خروجی به دشت شاهرود (دبی ورودی مجن آبشار، دبی ورودی تاش فرحزاد و دبی خروجی قلعه نو) طی یک دوره آماری ۱۹۹۴ تا ۲۰۱۰ استفاده شده است. بررسی دادهها نشان میدهد که برخی از دادهها، همبسته بوده و دارای الگوی فصلی هستند، این مساله، پیشبینی دادهها را دشوار میکند. بر این اساس، روش ارائه شده در این مقاله شامل مراحل غیرفصلی سازی، نرمالسازی و حذف دادههای وابسته است که پیش از این به آن در تحقیقات پرداخته نشده است. سپس از ۸۵ درصد دادهها برای آموزش و از ۱۵ درصد آنها، برای تست مدل استفاده شده است. در نهایت، بررسی نتایج نشان میدهد که مدل شبکه عصبی ارائه شده، تراز آب دشت شاهرود را برای سه سال پیاپی با میانگین مربعات خطای ۰۲۵۷/۰ متر برای سال اول، ۰۲۷۰/۰ متر در سال دوم و ۰۴۵۲/۰ متر در سال سوم میتواند پیشبینی کند. همچنین در صورتی که بارش منطقه در یک سال، ۳۰ درصد کاهش یابد، نتایج پیشبینی مدل مذکور نشان میدهد که تراز آب زیرزمینی ۷/۰ کاهش مییابد.
Keywords:
Groundwater level , RBF Neural Networks , Seasonal Data , Shahrood Plain , تراز آب زیرزمینی , دشت شاهرود , مدل شبکه عصبی مصنوعی RBF , داده فصلی
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :