پیش بینی جریان روزانه رودخانه با استفاده از مدل هیبرید موجک و شبکه عصبی؛ مطالعه موردی ایستگاه هیدرومتری ونیار در حوضه آبریز آجی چای
Publish Year: 1392
نوع سند: مقاله ژورنالی
زبان: Persian
View: 265
This Paper With 16 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_WATER-4-2_010
تاریخ نمایه سازی: 4 اسفند 1400
Abstract:
با توجه به اهمیت پیش بینی جریان رودخانه در مدیریت منابع آب روش های مختلفی برای مدل کردن جریان رودخانه ها بکار برده می شوند. تا بتوان با بکارگیری این مدل در مدیریت خشکسالی و سیلاب خسارات ناشی از آن ها را به حداقل ممکن رساند. در این مطالعه نیز برای پیش بینی سری زمانی جریان روزانه ایستگاه ونیار، با توجه به ویژگی های غیرخطی مقیاس های زمانی چندگانه، مدل هیبرید شبکه عصبی و موجک پیشنهاد شده است. برای این هدف سری زمانی اصلی به مدت ۳۵ سال بوسیله تبدیل موجکی به ۱۱ زیرسری زمانی چند فرکانسی تجزیه شده، و سپس برای پیش بینی جریان یک و دو و سه و چهار روز آینده، این سری ها بعنوان داده های ورودی به مدل شبکه عصبی مصنوعی وارد شد. نتایج بدست آمده از تبدیل موجک-شبکه عصبی با نتایج حاصل از کاربرد شبکه عصبی، مقایسه شده و ملاحظه گردید که روش موجک-شبکه عصبی نسبت به روش شبکه عصبی دقت پیش بینی بالاتری دارد و همچنین دقت پیش بینی در هر دو مدل با افزایش تعداد تاخیرها در نرون خروجی کاهش می یابد. لازم بذکر است که در پیش بینی توسط شبکه عصبی- موجکی از دو موجک هار و میر استفاده شد که نتایج شبیه سازی توسط موجک میر به مراتب بالاتر از موجک هار بود.
Keywords:
Authors
مریم شفائی
مهندسی منابع آب،گروه مهندسی آب، دانشگاه تبریز
احمد فاخری فرد
گروه مهندسی آب، گروه مهندسی آب، دانشگاه تبریز،تبریز،ایران
صابره دربندی
گروه مهندسی آب، گروه مهندسی آب، دانشگاه تبریز،تبریز،ایران
محمدعلی قربانی
دانشیار گروه مهندسی آب، گروه مهندسی آب، دانشگاه تبریز،تبریز
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 :