بررسی کارایی روش های عصبی-فازی (CANFIS) و رگرسیون گام به گام در مدل سازی بارش-رواناب حوضه ناورود
Publish place: 5th Iranian Water Resources Management Conference
Publish Year: 1392
Type: Conference paper
Language: Persian
View: 819
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
WRM05_054
Index date: 16 July 2014
بررسی کارایی روش های عصبی-فازی (CANFIS) و رگرسیون گام به گام در مدل سازی بارش-رواناب حوضه ناورود abstract
به منظور مدیریت مناسب یک حوضه آبخیز، شناخت ساختار، عملکرد و ارتباطات آن ضروری است.مهم ترین بخش از این شناخت مربوط به شناسایی ارتباطات ورودی ها و خروجی ها و نحوه عملکرد آن ها و ارائه مدلی جهت معرفی بارش و رواناب حوضه است. رابطه بارندگی رواناب، یکی از پیچیده ترین فرآیند های هیدرولوژیکی است که درک آن از اهمیت زیادی در برنامه ریزی و مدیریت بهینه منابع آب و مهار سیلاب برخوردار است. نتایج مدل های رگرسیونی برای بررسی این پدیده غالباً با خطا همراه است. امروزه سیستم های عصبی – فازی با توجه به توانایی در حل پدیده های غیر خطی و پیچیده،کاربردهای فراوانی در مسائل مختلف مهندسی آب از جمله هیدرولوژی و مدل سازی بارش -رواناب پیدا کرده اند. در این تحقیق، کارایی مدل های نروفازی (CANFIS) و رگرسیونی جهت شبیه سازی فرآیند بارش –رواناب در حوضه آبخیز ناورود واقع در استان گیلان مورد بررسی قرار گرفته است. به این منظور از سه پارامتر بارش، دما و رواناب روزانه استفاده شده است و اثرات هر یک از این عوامل در کارایی شبکه، مورد بررسی قرار گرفت. همراهی سه عامل بارش و دما در روز جاری و رواناب در روز قبل در ماتریس ورودی بهترین نتیجه را در پی داشته است. در نهایت نتایج نشان داد که مدل نروفازی کارایی بالاتری نسبت به مدل رگرسیونی دارد.
بررسی کارایی روش های عصبی-فازی (CANFIS) و رگرسیون گام به گام در مدل سازی بارش-رواناب حوضه ناورود Keywords:
بررسی کارایی روش های عصبی-فازی (CANFIS) و رگرسیون گام به گام در مدل سازی بارش-رواناب حوضه ناورود authors
خدیجه کیانی مهر
دانشجوی کارشناسی ارشد آبخیزداری، دانشگاه کاشان
عباسعلی ولی
استادیار ژئومورفولوژی، دانشگاه کاشان
هدی قاسمیه
استادیار مدیریت منابع آب، 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 :