پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,504 |
| تعداد مشاهده مقاله | 124,122,765 |
| تعداد دریافت فایل اصل مقاله | 97,230,968 |
مدلسازی نوسان‌های ماهانۀ آب زیرزمینی به وسیلۀ تبدیل موجک و شبکۀ عصبی پویا | ||
| مدیریت آب و آبیاری | ||
| مقاله 6، دوره 4، شماره 1، اردیبهشت 1393، صفحه 73-87 اصل مقاله (970.06 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jwim.2014.51639 | ||
| نویسندگان | ||
| طاهر رجایی* 1؛ هادی ابراهیمی2 | ||
| 1استادیار، گروه مهندسی عمران، دانشکدۀ فنی و مهندسی، دانشگاه قم، قم، ایران | ||
| 2کارشناس ارشد سازه های هیدرولیکی، گروه مهندسی عمران، دانشکدۀ فنی و مهندسی، دانشگاه قم، قم، ایران | ||
| چکیده | ||
| مدلسازی نوسان‌های زمانی آب زیرزمینی، در مدیریت حوزههای آبریز و ایجاد تعادل در عرضه و تقاضای آب اهمیت زیادی دارد. در سالهای اخیر استفاده از تحلیل موجک برای تجزیۀ سریهای زمانی و ترکیب آن با شبکههای عصبی به‌صورت گستردهای در مدلسازی پدیدههای هیدرولوژیکی به‌کار رفته است. در این تحقیق، توانایی مدل ترکیبی موجک- شبکۀ عصبی پویا برای پیشبینی یک ماه آیندۀ عمق آب زیرزمینی ارزیابی شده و این مدل با مدلهای شبکۀ عصبی و رگرسیون خطی چندمتغیره مقایسه شده است. دادههای استفاده‌شده برای تشکیل مدلها فقط عمق آب زیرزمینی ماهانه است که در دو پیزومتر واقع در دشت قم به‌مدت ده سال اندازهگیری شده است. نتایج نشان داد عملکرد مدل شبکۀ عصبی چندان رضایتبخش نیست. مدل رگرسیون خطی چندمتغیره نیز نتایج دقیقی نداشت و مقدار پیش‌بینی‌شده با این مدل در اکثر موارد بیشتر از مقدار واقعی بود، درحالیکه مدل ترکیبی موجک- شبکۀ عصبی با استفاده از موجک مادر Meyer با دو سطح تجزیه، توانست یک ماه آینده را با ضریب‌های نش 993/0 و 974/0 به‌ترتیب برای پیزومترهای 1 و 2 پیشبینی کند. | ||
| کلیدواژه‌ها | ||
| پیشبینی؛ دشت قم؛ رگرسیون خطی چندمتغیره؛ سری زمانی؛ عمق آب زیرزمینی | ||
| عنوان مقاله [English] | ||
| Monthly simulation of groundwater fluctuations using wavelet and dynamic neural network | ||
| نویسندگان [English] | ||
| Taher Rajaee1؛ Hadi Ebrahimi2 | ||
| 1Assistant Professor, Department. of Civil Engineering, University of Qom, Qom- Iran | ||
| 2Former M.Sc. Student, Department of Civil Engineering, University of Qom, Qom- Iran | ||
| چکیده [English] | ||
| Simulation of groundwater fluctuations plays a crucial role in management of watersheds and water demand balancing. Recently, wavelet analysis has been used widely in time series decomposition and coupling with neural networks for hydrological modeling. In this paper, the ability of the wavelet-dynamic artificial neural networks (W-ANN) model was applied in forecasting one-month-ahead of groundwater level and compared to regular artificial neural networks (ANN) and multi linear regression (MLR) models. The only variable used to develop the models was monthly groundwater level data recorded for ten years at two piezometers in the Qom plain, Iran. The results show that the MLR model overestimate the observed data and the performance of ANN model hasn't enough accuracy, whereas the W-ANN model with Meyer mother wavelet and two decomposition levels, could predict one-month-ahead with Nash-Sutcliffe coefficient equal to 0.993 and 0.974 for piezometers 1 and 2 respectively. | ||
| کلیدواژه‌ها [English] | ||
| forecasting, groundwater depth, multi linear regression, Qom Plain, time series | ||
|
آمار تعداد مشاهده مقاله: 2,741 تعداد دریافت فایل اصل مقاله: 1,274 |
||