مقایسه توانایی شبکه های عصبی مصنوعی با مدلهای رگرسیون خطی و غیرخطی در پیش بینی فرسایش و رسوبدهی خاک مطالعه موردی: حوضه کر -چمریز
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 680
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICSDA01_0621
تاریخ نمایه سازی: 16 خرداد 1394
Abstract:
حفاظت آب و خاک از اصولی ترین پایه های توسعه پایدار است و بی توجهی به این اصل می تواند عواقب جبران ناپذیری را به همراه داشته باشد. لذا هدف اصلی این پژوهش مشخص کردن منابع اصلی فرسایش و رسوبزایی بالقوه در حوضه از جمله اطلاعات ضروری است که باید در مورد هر حوضه آبخیز در ایران به آن پی برده و با تدابیری خاص در تقلیل فرسایش و تولید رسوب اقدام نمود. رواناب سطحی و جریان آب در رودخانه ها همواره توأم با فرسایش و حمل مواد رسوبی است، واضح است جهت مطالعه دقیق رسوب، علاوه بر شناخت طبیعت رسوب و مکانیزم آن لازم است عوامل مؤثر در فرسایش و رسوب گذاری، هم چنین مقدار مواد رسوبی حمل شده دقیقآً تعیین و محاسبه گردد. روش پژوهش از نوع توصیفی - تحلیلی بر مبنای بررسی منابع و به عنوان عامل مکمل MATLAB کتابخانه ای و بازدید های میدانی، روش تجربی با استفاده از نرم افزار می باشد. در پژوهش حاضر از روش شبکه ی عصبی مصنوعی که روش مؤثر برای تعیین روابط پیچیده غیر خطی بین عوامل می باشد، مورد استفاده قرار گرفته است. مدل شبکه عصبی طراحی شده در این پژوهش، از نوع شبکه چند لایه پس انتشار برگشتی انتخاب گردیدکه به منظور آموزش شبکه از الگوریتم لونبرگ - مارکورات استفاده گردید. این پژوهش با هدف برآورد رسوب حوضه کر- چمریز با استفاده از شبکه ی عصبی مصنوعی در دورهآماری2011-1991 انجام گرفته است. با توجه به آموزش بلند مدت15 سال برای آموزش و 5 سال برای برآورد شبکه به گونه ای طراحی گردید که با ورود عناصر میانگین ماهانه رسوب، دبی و بارش در یک سال حداکثر برآورد برای ماه آینده برآورد گردید
Keywords:
Authors
اعظم حیدری
کارشناسی ارشد ژئومورفولوژی در برنامه ریزی محیطی، دانشگاه محقق اردبیلی
فریبا اسفندیاری
دانشیار گروه جغرافیای طبیعی، دانشگاه محقق اردبیلی
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 :