پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,623 |
| تعداد مقالات | 71,544 |
| تعداد مشاهده مقاله | 126,889,310 |
| تعداد دریافت فایل اصل مقاله | 99,934,329 |
تأثیر ساختارها و ورودیهای مختلف شبکههای عصبی مصنوعی در تخمین دبی روزانۀ حوزۀ آبخیز معرّف امامه | ||
| نشریه علمی - پژوهشی مرتع و آبخیزداری | ||
| مقاله 17، دوره 70، شماره 4، دی 1396، صفحه 1045-1066 اصل مقاله (17.92 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jrwm.2018.135478.930 | ||
| نویسندگان | ||
| محبوبه معتمدنیا* 1؛ احمد نوحه گر2؛ آرش ملکیان3؛ مریم صابری اناری4 | ||
| 1دکتری علوم و مهندسی آبخیزداری | ||
| 2استاد گروه آموزش، برنامه‌ریزی و مدیریت محیط زیست، دانشکدۀ محیط زیست، دانشگاه تهران | ||
| 3دانشیار گروه احیا مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران | ||
| 4مربی دانشکاه فنی و حرافه ای، یزد | ||
| چکیده | ||
| یکی از مهمترین محاسبات هیدرولوژیک در یک اکوسیستم، تعیین ارتباط بین بارش و رواناب است. به طوری که بررسی فرایندهای بهوقوع پیوسته در آن و برآورد خروجیهای مهّم حوزه از قبیل سیلاب و رسوب از مهّمترین هدفهای یک پروژۀ آبخیزداری تلقی میشود. به دلیل ویژگیهای متغیر زمانی و مکانی وقایع در چرخۀ آبی، روابط غیر خطی و عدم قطعیت، هیچ کدام یک از مدلهای آماری و مفهومی نتوانسته بهعنوان یک مدل برتر و توانا کارگشا باشد. اما امروزه استفاده از شبکههای غیرخطی بهعنوان سامانههای هوشمند در پیشبینی چنین پدیدههای پیچیده و حل بسیاری از مشکلات اکوهیدرولوژی میتواند مفید و مؤثر باشد. به این منظور از دادههای روزانۀ بارندگی، دما، تبخیر و تعرق، رطوبت نسبی و همچنین دبی در مقیاس روزانه و در دورۀ زمانی مشترک 42 ساله و بررسی 62 ساختار پیشنهادی مختلف در حوزۀ آبخیز معرّف امامه استفاده شد. در این راستا و به منظور مقایسه از شبکههای عصبی پرسپترون چندلایه و تابع پایۀ شعاعی استفاده گردید. نتایج نشان داد که از بین بیش از 6000 مدل موجود در تخمین دبی رودخانه، مدل 54 با ساختار 1-8-9-8 و ورودیهای دما، رطوبت نسبی، بارندگی و تأخیر بارندگی و دبی تا دو روز بوده و با روش پرسپترون چندلایه دارای بهترین عملکرد بوده است. میزان خطای مدل مذکور برابر با 03/0، 18/0 و 04/0 در مرحلۀ مدلسازی و آموزش و 02/0، 14/0 و 02/0 در مرحلۀ آزمایش برای معیارهای ارزیابی به ترتیب شامل میانگین مربعات خطا (MSE)، مجذور میانگین مربعات خطا (RMSE)، میانگین مطلق خطا (MAE) بوده است. | ||
| کلیدواژه‌ها | ||
| الگوریتم پس‌انتشار خطا؛ شبکۀ عصبی مصنوعی؛ حوزۀ آبخیز معرّف امامه؛ رابطۀ بارش- رواناب | ||
| عنوان مقاله [English] | ||
| Effect of various structures and input on the estimation of daily discharge of Amameh watershed | ||
| نویسندگان [English] | ||
| mahboobeh moatamednia1؛ ahmad nohegar2؛ arash malekian3؛ maryam saberi anari4 | ||
| 1Ph.D. of Watershed Management Science and Engineering | ||
| 2university of tehran | ||
| 3university of tehran | ||
| 4IT,Technical and Vocational University,yazd,iran | ||
| چکیده [English] | ||
| One of the most important of hydrological computing in ecosystem is estimation of the relationship between rainfall and runoff. So that investigation occurred processes in it and the estimate of important outputs such as flood and sediment is considered one the most important mission of a watershed project. Because of variable spatial and temporal characteristics of incident in the water cycle and the nonlinear relationship and uncertainties, none of the statistical and conceptual models are able to be a better and capable model for that. But today using nonlinear networks as intelligent system for forecasting such complicated event can be efficient and effective in many problems of ecology. For this aim it is used variables such as precipitation, temperature, evartanspiration, relative humidity and discharges in daily scale over 42 years period and assessment 62 different suggested structures for surveying river flow in Amame representative watershed. For comparison it used Multi Layer Perceptoron (MLP) and Radial Basis Function (RBF).The results show that out of 6000 available models for estimation river flow model number 54 with 8-9-8-1 network structure and 8 types of input variable such as precipitation (Pt), precipitation with two lags (Pt-1 and Pt-2), temperature (Tt), evartanspiration (ETt), relative humidity (Rht), and discharge with two lags (Qt-1 and Qt-2) with Multi Layer Perceptoron method has the best function. The error of model was 0.03, 0.18 and 0.04 in training and 0.02, 0.14 and 0.02 for testing stage for MSE, RMSE and MAE, respectively. | ||
| کلیدواژه‌ها [English] | ||
| Amame representative watershed, Artificial Neuron Network, Error Back Prapagation, Rainfall-runoff relationship | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 417 تعداد دریافت فایل اصل مقاله: 437 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب