بررسی همبستگی میان پارامترهای اقلیمی و سیلاب حوزه رودخانه مارون و پیش بینی سیلاب به کمک شبکه هوشمند عصبی
محل انتشار: پژوهشنامه مدیریت حوزه آبخیز، دوره: 8، شماره: 16
سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 142
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWMR-8-16_005
تاریخ نمایه سازی: 17 مهر 1400
چکیده مقاله:
سیل از جمله بلایای طبیعی مهمی است که هر ساله باعث ایجاد خسارت های مالی و جانی شدیدی به جوامع بشری می شود. به ویژه در مناطقی همچون حوزه رودخانه مارون که دارای تغییرات زیاد دما و بارش است، همه ساله شاهد سیلاب های شدید و فراوانی هستیم. پژوهش حاضر با هدف شناخت پارامترهای اقلیمی موثر بر سیلاب منطقه، می تواند با کارآمدی شبکه عصبی مصنوعی، روش های مناسب تری را در پیش بینی این رخداد بهکار ببندد. روش بهکار رفته در این پژوهش جهت پیشبینی این فرایند، شبکه های عصبی پرسپترون چند لایه و توابع پایه شعاعی می باشد که نتایج این دو شبکه عصبی با رگرسیون چندگانه مقایسه گردیده است. بدین منظور داده های روزانه اقلیمی چهار ایستگاه ایدنک، دوگنبدان، دهدشت و یاسوج شامل میانگین دمای خشک، بیشینه دما، کمینه دما، تبخیر، بارش، میانگین رطوبت، کمینه رطوبت، بیشینه رطوبت و ... طی یک دوره ۱۶ساله (اول مهر ۱۳۷۳ تا آخر شهریور ۱۳۸۸) به کار گرفته شد. با بررسی همبستگی بین این پارامترهای اقلیمی و دبی رودخانه مارون پارامترهای موثر بر سیلاب تعیین گردید. از رگرسیون چندگانه جهت تعیین ورودی های موثر بر سیلاب و مقایسه نتایج با شبکه عصبی استفاده گردیده است. بررسی نتایج نشان می داد که شبکه عصبی پرسپترون چندلایه با الگوریتم آموزش پس انتشار خطا دارای همبستگی ۷۳/۰ در مرحله آموزش و ۶۸/۰ در مرحله آزمایش و میزان نرمال شده ریشه میانگین مربعات خطا (NRMSE) در مرحله آموزش ۵۷/۰ و در مرحله آزمایش ۶۶/۰ بهعنوان بهترین مدل جهت پیشبینی سیلاب شناخته شد. مقایسه نتایج شبکه عصبی و رگرسیون نشان می داد که شبکه عصبی دارای میزان همبستگی بالاتری نسبت به رگرسیون می باشد و همچنین در شبکه عصبی داده های واقعی و داده های پیش بینی شده دارای انطباق بیشتری نسبت به مدل رگرسیون انجام شده می باشد.
کلیدواژه ها:
Climatic Parameters ، Catchment Basin ، Multilayer Perceptron (MLP) ، Multivariate
Regression ، Radial Base ، پارامترهای اقلیمی ، پرسپترون چند لایه ، حوزه آبریز ، رادیال بیس ، رگرسیون چند متغیره
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :