مقایسه ی شبکه ی عصبی مصنوعی پیش خور عمومی (GFF) و درخت تصمیم در پیش بینی شوری آب سطحی (مطالعه ی موردی رودخانه ی زرینه رود)
Publish place: International Conference on Architecture, Urban Planning, Civil Engineering, Art and Environment; Future horizons, look to the past
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 495
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:
شناسه ملی سند علمی:
ICAUCAE01_0540
تاریخ نمایه سازی: 10 تیر 1396
Abstract:
اکثر مدل های موجود در زمینه ی پیش بینی و شبیه سازی شرایط موجود و آتی وضعیت کیفی رودخانه ها نیازمند پارامترهای ورودی بسیاری بوده که یا دسترسی به آن ها مشکل بوده و یا اینکه اندازه گیری آن ها محتاج صرف هزینه و زمان زیادی بوده است. در این میان ابزارهای داده کاوی با حداقل پارامترهای اندازه گیری شده و با دقت قابل قبولی، تغییرات متغیر مورد نظر را پیش بینی نموده است. در این تحقیق، عملکرد دو الگوریتم شبکه ی عصبی مصنوعی پیش خور عمومی (GFF) و درخت تصمیم در پیش بینی شوری آب سطحی رودخانه- ی زرینه رود مورد ارزیابی قرار گرفته است. داده های استفاده شده، مربوط به ایستگاه ساری قمیش در بازه ی سال های 1372 تا 1392، شامل دما، بارش، مجموع آنیون ها، تبخیر و تعرق به عنوان پارامترهای ورودی مدل ها و شوری (EC) پارامتر خروجی بوده است. مدل ها نشان داده که شبکه ی عصبی مصنوعی پیش خور عمومی با ضریب همبستگی 0/96دقت بالاتری نسبت به درخت تصمیم را دارا بوده است. به طور کل، استفاده از چنین الگوریتم هایی در پیش بینی تغییرات شوری دقت تصمیم گیری های مدیریتی را تا حد بسیار بالایی بهبود بخشیده است.
Keywords:
Authors
میر یونس خاتمیان اسکویی
دانشجوی کارشناسی ارشد مهندسی عمران- آب، دانشگاه آزاد اسلامی، واحدمراغه، گروه عمران، مراغه، ایران
رامین رستمی
استادیار هیدرولوژی، دانشگاه آزاد اسلامی، واحدمیاندوآب، گروه عمران، میاندوآب، ایران
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 :