پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,479 |
| تعداد مقالات | 70,019 |
| تعداد مشاهده مقاله | 122,949,107 |
| تعداد دریافت فایل اصل مقاله | 96,179,763 |
مقایسة کارایی مدل‌های آماری و مفهومی در پیش‌بینی خشک‌سالی هیدرولوژی (مطالعة موردی: حوزة آبخیز کرخه) | ||
| نشریه علمی - پژوهشی مرتع و آبخیزداری | ||
| مقاله 2، دوره 66، شماره 4، اسفند 1392، صفحه 493-508 اصل مقاله (1.89 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jrwm.2014.50026 | ||
| نویسندگان | ||
| ام البنین بذرافشان1؛ علی سلاجقه* 2؛ احمد فاتحی مرج3؛ محمد مهدوی4؛ جواد بذرافشان5؛ سمیه حجابی6 | ||
| 1استادیار دانشکدة منابع طبیعی دانشگاه هرمزگان | ||
| 2دانشیار دانشکدة کشاورزی و منابع طبیعی دانشگاه تهران | ||
| 3استادیار مرکز تحقیقات کم‌آبی و خشک‌سالی در کشاورزی و منابع طبیعی، تهران | ||
| 4استاد دانشکدة کشاورزی و منابع طبیعی دانشگاه تهران | ||
| 5استادیار دانشکدة کشاورزی و منابع طبیعی دانشگاه تهران | ||
| 6دانشجوی دکتری دانشکدة کشاورزی و منابع طبیعی دانشگاه تهران | ||
| چکیده | ||
| خشک‌سالی پدیده‌ای است که برای پیش‌بینی آن نمی‌توان از مدل مشخصی استفاده کرد. بر این اساس، محققان تلاش می‌کنند با استفاده از مدل‌های پیشرفته دقت پیش‌بینی‌ها را افزایش دهند. در این زمینه، مدل‌های استوکاستیک خطی، شبکة عصبی مصنوعی، و مدل‌های هیبرید می‌توانند در دقت پیش‌بینی مفید باشند. تحقیق حاضر به بررسی کارایی مدل‌های اتورگرسیو میانگین متحرک تجمعی (ARIMA)، شبکة عصبی مصنوعی مستقیم (DMSNN)، شبکة عصبی مصنوعی چندگامی بازگشتی (RMSNN)، مدل هیبرید آریما- شبکة عصبی مصنوعی چندگامی مستقیم (HSNNDM)، و مدل هیبرید آریما- شبکة عصبی مصنوعی چندگامی بازگشتی (HSNNRA) در پیش‌بینی خشک‌سالی هیدرولوژی در دو مقیاس زمانی ماهانه و فصلی می‌پردازد. شاخص استانداردشدة جریان (SDI) به عنوان نمایة جریان و شاخص پیش‌بینی‌شونده در حوزة آبخیز کرخه انتخاب شد. نتایج این پژوهش نشان می‌دهد مدل هیبرید شبکة عصبی مستقیم- آریما (HSNNDA) نسبت به سایر مدل‌ها دارای عملکرد بهتری در پیش‌بینی SDI است و همچنین کارایی مدل در پیش‌بینی ماهانه بهتر از مقیاس فصلی است. | ||
| کلیدواژه‌ها | ||
| پیش‌بینی؛ خشک‌سالی هیدرولوژی؛ شبکه‌های عصبی مصنوعی؛ مدل‌های استوکاستیک؛ مدل‌های هیبرید | ||
| عنوان مقاله [English] | ||
| Comparison of stochastic models and conceptual models in hydrological drought forecast (case study: Karkheh River Basin) | ||
| نویسندگان [English] | ||
| Ommolbanin Bazrafshan1؛ Ali Salajegheh2؛ Ahmad Fatehi3؛ Abolghasem Mahdavi4؛ Javad Bazrafshan5؛ Somayeh Hejabi6 | ||
| 1Assistant Professor. Agricultural and Natural Resources Faculty, University of Hormozgan, Iran. | ||
| 2Associate Professor, College of Agriculture & Natural Resources, University of Tehran, Iran. | ||
| 3Assistant Professor, Center of Water Shortage and Drought Research in Agriculture and Natural Resources, Iran. | ||
| 4Professor, College of Agriculture & Natural Resources, University of Tehran, Iran. | ||
| 5Assistant Professor, College of Agriculture & Natural Resources, University of Tehran, Iran. | ||
| 6PhD. Student, College of Agriculture & Natural Resources, University of Tehran, Iran. | ||
| چکیده [English] | ||
| Drought is random and nonlinear phenomenon and using linear stochastic models, nonlinear artificial neural network and hybrid models is advantaged for drought forecasting. This paper presents the performances of autoregressive integrated moving average (ARIMA), Direct multi-step neural network (DMSNN), Recursive multi-step neural network (RMSNN), Hybrid stochastic neural network of directive approach (HSNNDM) and Hybrid stochastic neural network of recursive approach(HSNNRM) with time scale monthly and seasonally for hydrology drought forecasting and SDI selected as predictor in the Karkheh river basin. The results shown performances of HNNDA was found to forecast hydrological drought with greater accuracy for SDI forecasting, so performances model in monthly scale was greater accuracy to seasonality scale. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Networks, Hybrid models, forecasting, Hydrological drought, stochastic models | ||
|
آمار تعداد مشاهده مقاله: 3,175 تعداد دریافت فایل اصل مقاله: 1,700 |
||