کاربرد شبکه عصبی مصنوعی در برآورد بارندگی با داده های بارشی و غیربارشی (مطالعه موردی: منطقه رشت)

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 509

This Paper With 11 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:

WRM06_208

تاریخ نمایه سازی: 6 بهمن 1395

Abstract:

پیش بینی بارش به عنوان مهمترین پارامترهای هواشناسی و هیدرولوژی نقش بسزایی در مدیریت منابع آب هر منطقه ایفا می کند. در این مطالعه، با مد نظر قرار دادن داده های هواشناسی طی دوره آماری 54 ساله (1956 تا 2010) شهرستان رشت، کاربرد ساختارهای مختلف شبکه عصبی مصنوعی در تخمین بارش با استفاده از داده های هواشناسی بارشی و غیربارشی مورد بررسی قرار گرفت. نتایج آزمون همبستگی پیرسون نشان داد که پارامترهای هواشناسی دمای رو انه، دمای خشک، حداکثر دمای روزانه، دمای نقطه شبنم و میانگین فشار بخار آب، بیشترین همبستگی را با بارش منطقه مورد مطالعه داشتند. اجرای ساختارهای مختلف شبکه عصبی مصنوعی نشان داد ساختار 1-6-5 با الگوریتم آموزشی لونبرگ مارکوات و تابع محرک سیگموئید، کمترین خطا (NRMSE=0/18 و MBE=16/47 و MAE=185/58) را در برآورد بارش داشته است. بکارگیری داده های بارندگی گام های مانی قبل به عنوان ورودی شبکه عصبی مصنوعی نشان داد ساختار 1-3-3 با قانون آموزشی لونبرگ مار کوات و تابع محرک تانژانت، کمترین NRMSE و MBE و MAE به ترتیب با مقادیر 0/14 و 28/57 میلی متر و 144/75 میلی متر، نسبت به سایر ساختارها داشتند. در مجموع می توان اظهار داشت بکارگیری داده های هواشناسی بارشی به عنوان ورودی شبکه عصبی مصنوعی نسبت به داده های ورودی غیر بارشی، دقت بیشتری در برآورد بارش منطقه مورد مطالعه دارد.

Authors

عاطفه بغدادی

دانشجوی کارشناسی ارشد مهندسی منابع آب دانشگاه ملایر

مریم بیات ورکشی

استادیار مهندسی منابع آب دانشگاه ملایر

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 :
  • _ ورکشی، م. 2011. "ارزیابی مدل های هوشمند عصبی تجربی ...
  • کریمی گوغری، ش. و اسلامی، ا. (0120). "پیش بینی بارندگی ...
  • ینا، ب. موحدیان، ح.و پورزمانی، ح.(05 20. "بررسی تاثیر نسبت ...
  • غنی‌زاده، ق. (1383). "تاثیر نسبت COD/N و COD/P در بازده ...
  • [هاقاسمی، ع. زارع ابیانه، ح. امیری جیجان، ر. محمدی، ک. ...
  • _ ارع ابیانه، ح. معروفی، ص. سبزی پرور، ع. و ...
  • _ ابیانه، ح. و بیات ورکشی، م. (1391)."برآورد بارش به ...
  • _ _ ص. و امیری چایجان، ر. (1388)."ارزیابی سیستم‌های هوشمند ...
  • Hessami, M. Anctil, F. and Viau, A.A. (2004). "Selection of ...
  • پورمحمدی، س. ملکی نژاد، ح. و پورشرعیاتی، ر. (1392)، " ...
  • طرازکار، _ و صدق آیز، ع.(1387. "مقایسه پیش بینی دبی ...
  • Cross, S.S. Harrison, R.F. and Kennedy, R.L. (1995). "Introduction to ...
  • Ambalavanan, N. and Carlo, W.A. (2001). "Comparison of the prediction ...
  • Camdevyren, H. Demyr, N. Kanik A. And Keskyn S. (2005). ...
  • Hall, T. Brooks, H.E. and Doswell III, C.A. (1999). _ ...
  • Cavazos, T. (2000). "Using self-organizing maps to investigate extreme climate ...
  • neural network for Artificial؛ه [8] Bustami, R. Bessaih, N. Bong, ...
  • Maeda, N. Kobayashi, S.I. Izumi, K. Kouno, S. and Amenomori, ...
  • Solaimani, K. (2009). _ 'Rainfal l-runoff prediction based on artificial ...
  • Ahmadi, S. (2003). "Classification of rainfall variations in Boshehr by ...
  • Khalili, N. Khodashenas, S.R. Davary, K. and Karimaldini, F. (2011). ...
  • Dahamsheh, A. And Aksoy, H. (2009). "9Artificial neural network models ...
  • Shi, J. J. (2000). "Reducing prediction error by transforming input ...
  • Adineh, V. R. Aghanajafi, C. Dehghan, G.H. and Jelvani, S. ...
  • Moghaddamni a, A. Gousheh, M.G. Piri, J. Amin, S. and ...
  • نمایش کامل مراجع