مقایسه توانایی مدل شبکه های عصبی مصنوعی با مدل های رگرسیون خطی و غیر خطی در پیش بینی مقادیر رواناب در بخش علیای حوضه آبریز قره سو
Publish place: یازدهمین کنگره جغرافیدانان ایران
Publish Year: 1390
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 469
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IGAC11_045
تاریخ نمایه سازی: 17 اسفند 1393
Abstract:
پیش بینی رواناب یکی ازمهمترین ضروریات دربرنامه ریزی و مدیریت بهینه منابع آب محسوب میشود دردهه های اخیر یکی ازروشهای نویندرتشریح فرایند بارندگی - رواناب مدل شبکه های عصبی مصنوعی می باشد این روش به دلیل ساختارریاضی غیرخطی قادر به حل بسیاری ازمسائل ازجمله دراقلیم شناسی م یباشد درااین پژوهش به منظور ارایه مناسب ترین ضابطه برای پیش بینی رواناب د ربخش علیای حوضه آبریز قره سو ازمدلهای شبکه عصبی رگرسیون خطی و غیرخطی و مقایسه آنها استفاده شده است بدین منظور ازمتغیرهای متوسط بارش ماهانه یک ماه قبل میلی مترو متوسط دبی ماهانه یک ماه بعدازبارش میلیون مترمکعب درطول دوره اماری 33 ساله 2004-1972 جهت پیش بینی رواناب ژانویه سال 2005 تادسامبر 2008 ومقایسه آن باداده های واقعی استفاده گردید نتایج حاصله نشان دادند که انطباق خوبی مابین مقادیر پیش بینی شده با شبکه های عصبی ترکیبی وداده های مشاهداتی وجود دارد همچنین نتایج نشان دادندکه میانگین خطای به دست آمده ازشبکه های عصبی مصنوعی رگرسیون خطی و رگرسیون غیرخطی به ترتیب برابر 0/88 و2/24و8/89 می باشد که این مسئله بیانگر دقت بالاتر روش شبکه های عصبی مصنوعی درپیش بینی رواناب نسبت به روشهای رگرسیونی خطی و غیرخطی است
Keywords:
بخش علیای حوضه آبریزقره سو , پیش بینی , رواناب , شبکه های عصبی مصنوعی , رگرسیون خطی , رگرسیون غیرخطی
Authors
برومند صلاحی
دانشگاه محقق اردبیلی استادیار اقلیم شناسی
طاهره سرمستی
دانشگاه محقق اردبیلی دانشجوی کارشناسی ارشد اقلیم شناسی
حسین شایقی
دانشگاه محقق اردبیلی دانشیار مهندسی برق
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 :