ارزیابی عملکرد اعمال فیلتر آنتروپی در ترکیب داده مدلهای پیشبینی هیدرولوژیکی

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,227

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCHP03_068

تاریخ نمایه سازی: 3 فروردین 1391

چکیده مقاله:

در یک فرآیند ترکیب داده مدلهای پیشبینی هیدرولوژیکی علاوه بر تاثیرگذاری بالای دقت مدلهای پیشبینی منفرد و مدل -های ترکیب داده، بایستی به دو بخش دیگر نیز توجه کافی صورت پذیرد. این دو بخش شامل انتخاب بهترین متغیرهای پیش- بینیکننده بعنوان ورودی مدلهای منفرد پیشبینی و دیگری انتخاب بهترین مدلهای منفرد پیشبینی بعنوان ورودی مدلهای ترکیب داده است. هدف در این تحقیق، ارزیابی میزان تاثیرگذاری اعمال این دو بخش در دقت کلی فرآیند ترکیب داده در یک پیشبینی هیدرلوژیکی میباشد. روش ب هکار گرفتهشده جهت استفاده در هر دو مرحله، بر اساس مفاهیم آنتروپی پایهگذاری شده است. این مطالعه در ادامه تحقیق عزمی و همکاران [ 1] صورت پذیرفته و نتایج مطالعه موردی رودخانه رد کانادا در حالات مختلف قبل و پس از اعمال روشهای فیلترسازی مورد ارزیابی و مقایسه قرار خواهند گرفت. نتایج نشان از بهبود قابل ملاحظه دقت پیشبینی حداکثر سیلاب سالانه پس از اعمال این روش در هر دو مرحله انتخاب بهترین متغیرهای پیشبینی و انتخاب بهترین مدلهای منفرد دارد

نویسندگان

محمد عزمی

دانشجوی دکتری مهندسی آب

شهاب عراقی نژاد

استادیار دانشگاه تهران

بهزاد مشیری

استاد دانشگاه تهران

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 :
  • Azmi, M., Araghinejad, S. & Kholghi M. (2010) Multi model ...
  • Fasbender, D., Brasseur, O. & Bogaert, P. (2009) Bayesian data ...
  • Mandic, D.P., Javidi, S., Goh, S.L, Kuh, A. & Aihara, ...
  • Leslie, W.G., Robinson, A.R., Haley, P.J., Logutov, O., Moreno, P.A., ...
  • Goswami, M. & O Connor, K.M. (2007) Real-time flow forecasting ...
  • Khalil, A., Gill, M.K. & McKee M (2005) New applications ...
  • Luchetta, A. & Manetti S. (2003) A real time hydrological ...
  • Mitsukura, Y. Ito, S., Fukumi, . & Akamatsu, N. (2002) ...
  • Shu C. & Burn, D. H. (2004) Artificial neural network ...
  • See, L. & Abrahart R. (2001) Multi-model data fusion for ...
  • Abrahart, R.J. & See, L. (2002) Multi-model data fusion for ...
  • Araghinejad, S., Azmi, M. & Kholghi, M. (2011) Application of ...
  • Breiman, L, Friedman, J., Olsen, R. & Stone, C. (1994) ...
  • Kohonen, T. (1995), Self- Organizing Maps, Berlin, Heidelberg, Springer. ...
  • Rossia, F., Lendasse, A., Francois, D., Wertzc, V. & Verleysen, ...
  • May, R.J., Maier, H.R., Dandy, G.C. & Fernando, G. (2008) ...
  • May, R.J., Dandy, G.C., Maier, H.R. & Nixon, J.B. (2008) ...
  • Yang, H.H. & John Moody, J. (1999) Feature Selection Based ...
  • Hejazi, M.I. & Cai, X. (2009) Input variable selection for ...
  • Xu, N. & Wang, X. (2010) An information fusion method ...
  • Minhua, L. & Deyun, X. (2006) Method of Multisensor data ...
  • Fa ssinut-Mombo, B. & Choquel, J.B. (2004) A new probabilistic ...
  • Burn, D. H. (1999) Perception of flood risk: a case ...
  • Warkentin, A. A. (1999) Red River at Winnipeg hyro meteorological ...
  • Todeschini, R. (1989) K-nearest neighbour method: influence of data transformations ...
  • نمایش کامل مراجع