پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,115,217 |
| تعداد دریافت فایل اصل مقاله | 97,219,244 |
مقایسه کارایی روشهای نروفازی، شبکه عصبی مصنوعی و مدلهای آماری در تخمین رسوب معلق رودخانه‌ها(مطالعه موردی: بالادست حوضه طالقان) | ||
| نشریه علمی - پژوهشی مرتع و آبخیزداری | ||
| مقاله 6، دوره 69، شماره 1، خرداد 1395، صفحه 65-78 اصل مقاله (783.57 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jrwm.2016.61734 | ||
| نویسنده | ||
| امین ذرتی پور* | ||
| استادیار، گروه مهندسی مرتع و آبخیزداری، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان | ||
| چکیده | ||
| برآورد دقیق میزان رسوب معلق رودخانه‌ها از مسائلی مهم در طراحی مخازن، آلودگی دریاچه‌ها، طراحی کانالها و لایروبی آنها بعد از سیلابها، تعیین خسارتهای ناشی از رسوبگذاری و تعیین تأثیرات مدیریت آبخیز است. روشهای متعددی به‌منظور برآورد بار معلق رودخانه‌ها وجود دارد. یکی از این روشها، که در حل مسائل مختلف هیدرولوژی رسوب و پیش‌بینی آن کاربرد زیادی دارد، روشهای نوروفازی و شبکه‌های عصبی مصنوعی است. در این مطالعه ارتباط رسوب و دبی لحظه‌ای متناظرش به‌طور موفقیت‌آمیزی با استفاده از این روشها مدل‌سازی و مورد اعتبارسنجی قرار گرفت. هدف از این تحقیق، کارایی روشهای نوروفازی و شبکه عصبی نسبت به مدلهای آماری در برآورد رسوب معلق روزانه رودخانه طالقانرود حوزه آبخیز طالقان می‌باشد. نتایج نشان داد، برآوردهای ساختارANFIS ، با میانگین قدرمطلق خطای نسبی، 1006 تن در روز، ضریب همبستگی 77درصد، میانگین مربعات خطا2621 تن در روز و ضریب ناش- ساتکلیف 51/0 نسبت به شبکه عصبی و همچنین برآوردهای شبکه عصبی در مقایسه با مدلهای آماری از دقت بالاتری برخوردارند. بنابراین روش ادغام شبکه عصبی با قوانین فازی توانسته تغییرات بار رسوبی رودخانه را بر اساس دبی روزانه، بهتر از مدلهای دیگر برآورد کند. دیگر مزیت این روش حساس نبودن به وجود تعداد معدودی خطا در داده‌های آماری است که همین امر باعث برآورد بهتر مدل شبکه عصبی در مقایسه با مدل آماری شده است. همچنین با بالا رفتن درصد داده‌های آموزش نسبت به داده‌های امتحان، روش نروفازی جواب مناسبتری می‌دهد. | ||
| کلیدواژه‌ها | ||
| شبکه عصبی فازی؛ بار معلق رودخانه؛ شبکه عصبی؛ روشهای آماری؛ طالقان | ||
| عنوان مقاله [English] | ||
| Comparison of Neuro Fuzzy, Neural Network Artificial and Statistical Methods for Estimating Suspended Load Rivers (Case Study: Taleghan Basin Upstream) | ||
| نویسندگان [English] | ||
| Amin Zoratipour | ||
| Assistant Professor, Department of Range and Watershed Management, Khuzestan Ramin Agriculture and Natural Resources University | ||
| چکیده [English] | ||
| Abstract Estimation of fine suspended load rivers is important in designing reserves, transition volume of sediment, and estimating lake pollution. Thus, some methods are needed for determining damages caused by sedimentations in environment and determining its effects on the watersheds. There are many methods for estimating suspended load, one of these methods that solves the problems of sediment discharge and can predict it is using Neuro fuzzy or ANFIS (Adaptive Network Fuzzy Inference System), and ANN (Artificial Neural Network) methods. These make a function between sediment and simultaneous discharge by use of different algorithms. The goal of this research is comparing the effectiveness of Neuro fuzzy, neural network artificial and statistical methods for estimating suspended load river in Glinak station of Taleghan Basin. It was found out that suspended load estimations of Nero fuzzy method with MAE 1006 ton/day, and correlation efficiency (R) 77%, RMSE 2621 ton/day and Nash-Sutcliff error (NS) 0.51 is better than Neural Network Artificial and Statistical methods and Artificial Neural Network method rather than Statistical Method are more proper. Also, contracting both neural networks artificial to fuzzy laws can be illustrated better than other methods, variation of sediment Load River. One more merit of this method is that it is not sensitive to few errors in early statistical data and this fact enables better estimation of neural network model in comparison with statistical model. Finally, Neuro fuzzy method works better as the percent of train data to test data increases. | ||
| کلیدواژه‌ها [English] | ||
| Neuro fuzzy, Artificial Neural Network, Suspended Load, Statistical Method, Taleghan | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 634 تعداد دریافت فایل اصل مقاله: 654 |
||