مدیریت ریسک خشکسالی با استفاده از مدل تبدیلات موجک

Publish Year: 1386
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,717

This Paper With 7 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:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

RMIC01_075

تاریخ نمایه سازی: 2 آذر 1386

Abstract:

خشکسالی پدیده ای آرام و بخش طبیعی از اقلیم هر منطقه میباشد . پیشبینی خشکسالی نقش مهمی در مدیریت منابع آب و کاهش خسارات خشکسالی و تبدیل مدیریت بحران به مدیریت ریسک در طرح جامع خشکسالی ایفا مینمای د . توان ایی بالا ی شبکه ه ای - عصبی مصنوعی در مدلسازی و پیشبینی سریهای زمانی نامانا و غیرخطی در مهندسی آب به اثبات رسیده است و تبدیلات موجک با تجزیه ساختن سریهای زمانی به مؤلفه های قطعی و غیرقطعی سبب بهبود عملکرد شبکه های عصبی در پیش بینی ها میشود . در این تحقیق،توانایی مدل تلفیقی مبتنی بر شبکه های عصبی مصنوعی و تبدیلات موجک برای پیش بینی های 1 ، 2 و 3 ماهه خشکسا لی مورد بررسی قرار گرفته است . در مدل تلفیقی پیشنهادشده، نخست،سریهای زمانی شاخص خشکسالی موثر ماهانه به زیرمؤلفه ها تجزیه شده و سپس این زیرمؤلفه به کمک مدلهای شبکه عصبی مصنوعی پیشبینی میگردند . برای ساخت الگوهای ورودی شبکه از بارش ماهانه و شاخص بارش استانداردشده نیز بهره گرفته شده است . نتایج بدست آمده از این مدل تلفیقی برای ایستگاه سینوپتیک استان قزوین نشان دهنده کارایی این مدلهای تلفیقی در بهبود دقت پیشبینی های 1 ، 2 و 3 ماهه خشکسا لی نسبت به مدل ه ای شبکه عصب ی مصنوعی میباشد به طوری که با استفاده از مدل تلفیقی موجک در پیش بینی های 3 ماهه، مدلهای تلفیقی بطور کلی با افزایش کارایی خود را در 0/0328 به حدود 0/6424 از حدود RMSE ANN برای مدل های 0/364 از حدود R 2 اصلاح نتایج و قابل اعتماد بودن نتایج پیش بینی های 3 ماهه نشان داده اند . به این ترتیب با استفاده از این متد امکان کاهش خطای پیش بینی و گذر از مدیریت بحران به مدیریت ریسک در پایش خشکسالی امکان پذیر خواهد بود .

Authors

حسین مهدیخانی

کارشناس ارشد مهندسی منابع آب، دانشکده مهندسی عمران، دانشگاه صنعتی شریف

افشین یوسف گمرکچی

عضو هیات علمی مرکز تحقیقات کشاورزی و منابع طبیعی استان قزوین

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 :