مدل سازی بارش رواناب با استفاده از شبکه ی عصبی مصنوعی (- MLP و RBF )حوزه ی رودخانه ی بابلرود
Publish place: 6th National Conference on Watershed Management and Soil and Water Resources Management
Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 904
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NCWMSWRM06_097
تاریخ نمایه سازی: 21 تیر 1393
Abstract:
فرایند بارش رواناب یکی از پیچیدهترین فرایندهای هیدرولوژی است. یکی از روشهای نوین در مدلسازی بارش رواناب، مدلهای – -شبکهی عصبی مصنوعی است. هدف از این تحقیق، مقایسهی مدلهای شبکهی عصبی MLP و RBF در مدلسازی بارش رواناب حوزهی - بابلرود است. به منظور انجام این تحقیق، آمار 28 سال (87-1360) بارندگی و رواناب حوضهی رودخانهی بابلرود مربوط به ایستگاههای قرآنطالار و کشتارگاه تهیه شد و پس از آزمون همگنی و نرمالسازی دادهها، مدلسازی برای دو ایستگاه قرآن طالار و کشتارگاه به صورت مجزا انجام شد و معیارهای گزینش شبکه در مرحله ی آموزش و تست شامل RMSE ، MSE ، NMSE ، R و 2 R به دست آمدند. در نهایت در هر کدام از مدلها، دادههای شبیه سازی شده و مشاهدهای مربوط به بارندگی و رواناب ماهانه مقایسه شدند. نتایج نشان داد که بهترین مدل در ایستگاه قرآن طالار، مدل RBF با الگوریتم مومنتم و تابع انتقال تانژانت هایپربولیک و 186 تکرار و 20 نرون در لایهی میانی اول و 15 نرون در لایهی میانی دوم (فرمول در متن اصلی مقاله) می باشد. در ایستگاه کشتارگاه نیز مدل شبکه ی عصبی RBF نسبت به سایر مدلها دارای کارایی بالاتری بود و بهترین مدل، دارای معماری چهار نرون در لایه ی اول، شش نرون در لایهی دوم و الگوریتم مومنتم و تابع انتقال بایاس و 137 تکرار با 0/176، R 0/512 -ق)2( 0/495- NMSE 0/13- 0/017-MSE به دست آمد.
Keywords:
Authors
مهین نظری
دانشآموختهی کارشناسی ارشد آبخیزداری، دانشکدهی منابع طبیعی و علوم زمین، دانشگاه کاشان
هدی قاسمیه
استادیار دانشکدهی منابع طبیعی و علوم زمین، دانشگاه کاشان
سیدجواد ساداتی نژاد
دانشیار دانشکدهی علوم و فنون نوین، دانشگاه تهران
عباسعلی ولی
استادیار دانشکدهی منابع طبیعی و علوم زمین، دانشگاه کاشان
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 :