پیش بینی بارش با استفاده از مدل رگرسیون درختی به منظور کنترل سیل
Publish place: 5th National Conference on Watershed Management and Soil and Water Resources Management
Publish Year: 1390
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 2,366
This Paper With 8 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:
NCWMSWRM05_282
تاریخ نمایه سازی: 19 اردیبهشت 1391
Abstract:
در سالهای اخیر خسارتهای ناشی از سیل در بسیاری از مناطق جهان رشد صعودی داشته است و بارشهای غیر مترقبه به عنوان یک عامل تهدید کننده در احتمال وقوع سیل محسوب می شود. پیش بینی بارش در مدیریت و هشدارسیل نقش مهمی بر عهده دارد. به منظور کاهش خسارات ناشی از سیل به خصوص در حوضههای کوچک و کوهستانی با زمان تمرکز کم پیش بینی بارش از اهمیت زیادی برخوردار میباشد، زیرا با اطلاع از میزان بارندگی، می توان امکانوقوع سیل را در منطقه پیش بینی و اقدامات لازم را به عمل آورد. در سالهای اخیر استفاده از روشهای هوش مصنوعی برای برآورد پدیدههای هیدرولوژی افزایش چشمگیری داشته است. در تحقیق امکان استفاده از مدل رگرسیون درختی (Regression tree model) به عنوان یک روش کارآمد جهت پیش بینی بارندگی مورد مورد ارزیابی قرار گرفت. ازاین روش برای پیش بینی و تجزیه و تحلیل عوامل موثر در بارش سه ایستگاه هواشناسی بندر انزلی ، اراک و قم کمک گرفته شد. با استفاده از دادههای روزانه دما ، فشار ، ساعت آفتابی، رطوبت نسبی در بازه زمانی 01 ساله برای سه ایستگاههواشناسی مذکور به عنوان ورودی مدل مقدار بارش روزانه به عنوان خروجی مدل در این ایستگاهها پیشبینی و موردتجزیه و تحلیل قرار گرفت. نتایج بیانگر توانایی و دقت بالا این مدل برای پیش بینی بارش بود. برای مثال ضریب 1 برای سه ایستگاه مورد مطالعه / همبستگی بین داده های پیش بینی شده و داده های مشاهداتی به طور متوسط 68بدست آمد.
Keywords:
Authors
محمدرضا فلاحی
دانشجوی کارشناسی ارشد، مهندسی منابع آب، دانشگاه تهران پردیس ابوریحا
هادی وروانی
دانشجوی کارشناسی ارشد آبیاری و زهکشی، دانشگاه تهران پردیس ابوریحان
سعید گلیان
عضو هیئت علمی گروه مهندسی عمران، دانشگاه صنعتی شاهرود
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 :