مروری بر مطالعات بارش- رواناب با استفاده از هوش مصنوعی

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 760

This Paper With 9 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:

CULTURAL03_087

تاریخ نمایه سازی: 19 اردیبهشت 1395

Abstract:

سیل یکی از پدیده های ویرانگر طبیعی است که پیش بینی آن از اهمیت بالایی برخوردار است برآورد بارش رواناب و سیل به عدلیل عکس العمل غیر خطی یک حوزه آبخیز به رویداد باران بسیار پیچیده است علاوه بر این بدلیل تغییرات مکانی بارش در یک حوزه این پیچیدگی بیشتر نیز می شود مدلهای مفهومی به طور وسیعی برای مدلسازی بارش رواناب به کار برده می شود. شبکه عصبی یک تکنیک قابل انعطاف با ساختار ریاضی است که ما را قادر می کند بدون توجه به پدیده های طبیعی روابط پیچیده غیر خطی بین داده های ورودی و خروجی را تشخیص دهیم هدف این مطالعه مقایسه روش پیش بینی بارش رواناب و مقایسه مطالعات محققین مختلف در طی سالهای گذشته بوده است.

Authors

مهسا باقرپور

دانشجو کارشناسی ارشد و عضوانجمن علمی مرتع و آبخیز دانشگاه گنبد کاوس

سیدمرتضی سیدیان

عضو هیئت علمی دانشگاه گنبد کاوس

ابوالحسن فتح آبادی

عضو هیئت علمی دانشگاه گنبد کاوس

امین محمدی

عضو هیئت علمی دانشگاه گنبد کاوس

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 :
  • اعمی، م. و حسین‌زاده، ح. 1389. مدل سازی فرایند بارش-رواناب ...
  • انوری تفتی، ص. ثقفیان، ب. و مرید، س. 1390. پیش ...
  • پوستی زاده، ن. و نجفی، ن. 1390. مقایسه کاربرد شبکه ...
  • جهانگیری، ع. رائینی، م. و احمدی، م. 1387. شبیه سازی ...
  • زراعی، م. قنبرپور، م. حبیب نژادروشن، م. و شاهدی، ک. ...
  • زرین، ه. مقدم‌نیا، ع. نام‌درست، ج. و مساعدی، ا. 1392. ...
  • ذرتی‌پور، ا. سلاجقه، ع. الماعی، ن. و عسگری، م. 1388. ...
  • صف‌شکن، ف. پیرمرادیان، ن. و شریفان، ر. 1390. شبیه سازی ...
  • فرخ‌نیا، ا. و مرید، _ 1388. تحلیل عدم قطعیت مدل‌های ...
  • نبی‌زاده، م. مساعدی، ا. حسام، م. دهقانی، ا. زاکری‌نیا، م. ...
  • یزدانی، م. خوشحال دستجردی، ج. مهدوی، م. و سلطانی، س. ...
  • غفاری، غ و وفاخواه، م. 1392. شبیه‌سازی فرآیند بارش- رواناب ...
  • وزارت نیرو، سازمان آب و برق خوزستان، معاونت طرح و ...
  • Aldrian, E and Djamil, Y. 2008. Application of multivariate anfis ...
  • Anctil, F. perrin, CH. and Andreassian, _ 2004. Impact of ...
  • Aqil, M. Kita, I. Yano, A. and Nishiyama, S. 2007.A ...
  • Boughton, W.C. 1993. A Hydrograph-B ased Model for Estimating the ...
  • Boughton, w.2006. Effect of data length _ rainfall-runof modeling. Environment ...
  • Boughton, w. and CHiw, F. 2006. Estimating runoff in ungauged ...
  • Cheng, C.T. Ou, C.P. and Chau, K.W. 2002. Combining a ...
  • Duan, Q., Sorooshian, S..Gupta, V.K., 1992. Effective and efficient global ...
  • Goswami, M. O:Connor, K.M. and Shamseldin, A.Y. 2002. Structures and ...
  • GHose, D.K. Panda, S.S and Swain, P.C. 2013. Prediction and ...
  • He, Z. Wen, X. Liu, H and Du, J. 2014. ...
  • Jang, J.S.R., 1993. ANFIS: adaptive -network-bas ed fuzzy inference system. ...
  • Jothiprakash, V. ISH, F. and Magar, R. 2009.Soft Computing Tools ...
  • Jain, A. and Prasad Indurthy, S. K. V. 2003 Comparative ...
  • Nayak, P.C., Sudheer, K.P., Rangan, D.M., Rangan, D.M., Ramasastri, K.S., ...
  • Nourani, . Kisi, 6. And Komasi, M. 2011. Two hybrid ...
  • SHoaib, M. SHamseldin, A and Melville, B. 2014. Comparative study ...
  • Wang, W. Chau, K. Cheng, Ch. and Qiu, L. 2009. ...
  • Zhang, B., and Govindaraju, S. (2000). Prediction of watershed runoff ...
  • نمایش کامل مراجع