مقایسه مدل های شبکه عصبی مصنوعی و یادگیری عمیق در مدلسازی بارش-رواناب رودخانه کشف رود و پیش بینی اثر تغییر اقلیم بر پارامترهای هواشناسی و دبی رودخانه
Publish place: Journal of Iranian Dam and Hydropower، Vol: 10، Issue: 33
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 93
This Paper With 17 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_HYDROP-10-33_006
تاریخ نمایه سازی: 15 مرداد 1402
Abstract:
هدف از این تحقیق مقایسه عملکرد مدلهای شبکه عصبی مصنوعی (ANN) و شبکه عصبی عمیق (DNN) در مدلسازی بارش-رواناب رودخانه کشفرود و پیشبینی اثر تغییر اقلیم بر پارامترهای هواشناسی و دبی رودخانه میباشد. بدین منظور عملکرد دو مدل از شبکه عصبی مصنوعی (MLP) و یادگیری عمیق (CNN) در مدلسازی بارش-رواناب با ورودیهایی از بارش و دبی روزانه با تاخیرهای مختلف با یکدیگر مقایسه شد. سپس از پیشبینی مدل LARS-WG۶ در دوره آتی (۲۰۲۱-۲۰۴۰) در سناریوهای مختلف تغییر اقلیم (RCP۲۶، RCP۴۵ و RCP۸۵) به عنوان ورودی مدل هوش مصنوعی برتر استفاده شده و دبی رودخانه و مقادیر حدی آن پیشبینی گردید. یافتههای تحقیق نشان داد که مدل CNN با ورودی بارندگی با تاخیر صفر تا ۲ روز و دبی رودخانه با تاخیر ۱ روز بهترین عملکرد را در مدلسازی دبی رودخانه داشت. پیش بینی های LARS-WG۶ نشان داد که افزایش حداقل و حداکثر دما در آینده در ماه های مختلف در محدوده ۳/۰ تا ۱/۲ درجه سانتیگراد خواهد بود. بارندگی سالانه در همه سناریوهای تغییر اقلیم در آینده افزایش خواهد یافت. بیشترین افزایش بارندگی سالانه در آینده نسبت به دوره پایه در سناریوی RCP۲۶ به میزان ۱۴% خواهد بود و حداکثر دبی در سناریوی مذکور حدود ۱۸ درصد افزایش خواهد یافت.
Keywords:
Authors
محمد حسین شاهانی
, Islamic Azad University
وحید رضاوردی نژاد
Urmia University
سید عباس حسینی
, Islamic Azad University
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 :