سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات158
تعداد شماره‌ها6,230
تعداد مقالات67,764
تعداد مشاهده مقاله115,162,821
تعداد دریافت فایل اصل مقاله89,918,003
باباعلی, حمیدرضا, دهقانی, رضا. (1396). مقایسه مدلهای هوشمند در تخمین بارش ماهانه حوضه کاکارضا. , 4(1), 1-11. doi: 10.22059/ije.2017.60911
حمیدرضا باباعلی; رضا دهقانی. "مقایسه مدلهای هوشمند در تخمین بارش ماهانه حوضه کاکارضا". , 4, 1, 1396, 1-11. doi: 10.22059/ije.2017.60911
باباعلی, حمیدرضا, دهقانی, رضا. (1396). 'مقایسه مدلهای هوشمند در تخمین بارش ماهانه حوضه کاکارضا', , 4(1), pp. 1-11. doi: 10.22059/ije.2017.60911
باباعلی, حمیدرضا, دهقانی, رضا. مقایسه مدلهای هوشمند در تخمین بارش ماهانه حوضه کاکارضا. , 1396; 4(1): 1-11. doi: 10.22059/ije.2017.60911

مقایسه مدلهای هوشمند در تخمین بارش ماهانه حوضه کاکارضا

اکوهیدرولوژی
مقاله 1، دوره 4، شماره 1، فروردین 1396، صفحه 1-11    اصل مقاله (703.83 K)
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.22059/ije.2017.60911
نویسندگان
حمیدرضا باباعلی* 1؛ رضا دهقانی2
1هیات علمی دانشگاه آزاد خرم آباد
2دانشجو
چکیده
برآورد بارش برای اجرای طرح های مطالعات منابع آب، خشک‌سالی، طرح های آمایش سرزمین، محیط زیست، آبخیزداری و طرح های جامع کشاورزی ضروری می باشد. در این پژوهش جهت تخمین بارش ماهانه دشت کاکارضا واقع در استان لرستان از مدل برنامه ریزی بیان ژن استفاده شد و نتایج آن با سایرروشهای هوشمند از جمله سیستم استنتاج فازی_عصبی و شبکه عصبی مصنوعی مقایسه گردید. برای این منظور از پارامترهای میانگین دما، رطوبت نسبی، تبخیر، سرعت باد در مقیاس زمانی ماهانه در طی دوره آماری (1394-1384) بعنوان ورودی و بارش بعنوان پارامتر خروجی مدلها انتخاب گردید. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا برای ارزیابی و عملکرد مدلها مورد استفاده قرار گرفت. از لحاظ دقت، مدل برنامه ریزی بیان ژن با ضریب همبستگی 978/0 ، ریشه میانگین مربعات خطا (mm 026/0) و میانگین قدر مطلق خطا (mm 017/0) در مرحله صحت سنجی در اولویت قرار گرفت. در مجموع نتایج نشان داد که روش برنامه ریزی بیان ژن توانایی بالایی در تخمین مقادیر کمینه و میانی و بارش دارد.
کلیدواژه‌ها
بارش؛ برنامه‌ریزی بیان ژن؛ سیستم استنتاج فازی_عصبی؛ شبکه عصبی مصنوعی
عنوان مقاله [English]
Compare intelligent models to Estimate monthly Precipitation Kakareza Basian
چکیده [English]
Precipitation is considered as one of the most important factures in water cycle. Prediction of monthly Precipitation is important for many purposes such as estimating torrent, drought, run-off, sediment, irrigation programming and also management of drainage basins.In this study we studied and evaluated gene expression programming to predict the Precipitation of the Kakareza river (in lorestan), and the results were compared with results of anfis and artificial neural network model. For this purpose, mean temperature, relative humidity, evaporation, wind speed rate at monthly scale during the period (2005-2015) as input and output parameters were selected as Precipitation . The criteria of correlation coefficient, root mean square error and of mean absolute error were used to evaluate and performance compare of models. The results showed that gene expression programming model has the highest correlation coefficient (0.978), the lowest root mean square error (0.026 mm) and the lowest mean absolute error (0.017mm) became a priority in the validation phase. The results showed that the gene expression programming model to estimate high minimum and maximum values of Precipitation .
کلیدواژه‌ها [English]
Precipitation, Gene Expression Programming, Estimating, Artificial Neural Network, ANFIS
مراجع
آمار
تعداد مشاهده مقاله: 954
تعداد دریافت فایل اصل مقاله: 865


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب