تخمین خشکسالی با استفاده از شبکه های هوشمند

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 165

فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_HYD-5-14_009

تاریخ نمایه سازی: 4 بهمن 1401

چکیده مقاله:

چکیده خشکسالی یکی از پدیده های آب و هوایی است که در همه­ی شرایط اقلیمی و در همه­ی مناطق کره­ی زمین به وقوع می پیوندد. پیش بینی خشک سالی نقش مهمی در طراحی و مدیریت منابع طبیعی، سیستم های منابع آب، تعیین نیاز آبی گیاه  ایفا می نماید. در این پژوهش جهت تخمین شاخص بارش استاندارد ۱۲ ماهه­ی چهار ایستگاه باران­سنجی دلفان، سلسله، دورود و بروجرد واقع در استان لرستان از مدل شبکه­ی عصبی موجک استفاده شد و نتایج آن با سایر روش­های هوشمند از جمله شبکه­ی عصبی مصنوعی مقایسه گردید. برای این منظور از پارامتر بارش در مقیاس زمانی ماهانه در طی دوره­ی آماری (۱۳۷۲-۱۳۹۲) به عنوان ورودی و شاخص بارش استاندارد به عنوان پارامتر خروجی مدل­ها انتخاب گردید. معیارهای ضریب همبستگی، ریشه­ی میانگین مربعات خطا و میانگین قدر مطلق خطا برای ارزیابی و عملکرد مدل­ها مورد استفاده قرار گرفت. نتایج نشان داد هر دو مدل قابلیت خوبی در تخمین شاخص بارش استاندارد دارند، لیکن از لحاظ دقت، مدل شبکه­ی عصبی موجک عملکرد بهتری نسبت به شبکه­ی عصبی مصنوعی از خود نشان داده است. در مجموع نتایج نشان داد استفاده از مدل شبکه­ی عصبی موجک میتواند در زمینه تخمین خشکسالی موثر باشد.

کلیدواژه ها:

نویسندگان

حسن ترابی پوده

دانشیار گروه مهندسی آب، دانشگاه لرستان

بابک شاهی نژاد

استادیار گروه مهندسی آب دانشگاه لرستان، لرستان، ایران

رضا دهقانی

دانشجوی دکترای سازه های آبی، دانشگاه لرستان، لرستان، ایران.

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 :
  • منابع اسدزاده، فرخ؛ بایزیدی، مطلب و مهری کاکی (۱۳۹۵)، پایش ...
  • کاوه، علی و عباس ایران منش (۱۳۸۴)، شبکه­ی عصبی ...
  • Djerbouai, M., Gamane, D., (۲۰۱۶), Drought Forecasting Using Neural Networks, ...
  • Edwards, DC. (۱۹۹۷), Characteristics of ۲۰th century drought in the ...
  • Gaye, O., Yildiz, O., Duvan, A., (۲۰۱۵), A Drought Analysis ...
  • Jalalkamali, A., Moradi, M., Moradi, M., (۲۰۱۵), Application of several ...
  • Kisi, O., Karahan, M., Sen, Z. (۲۰۰۶), River suspended sediment ...
  • Maca, P., Pech, P. (۲۰۱۶), Forecasting SPEI and SPI Drought ...
  • McKee, TB., Doesken, NJ., Kleist, J., (۱۹۹۳), The Relationship of ...
  • Nagy, H., Watanabe, K., Hirano, M. (۲۰۰۲), Prediction of sediment ...
  • Nourani, V., Alami, MT., Aminfar, MH. (۲۰۰۹), A combined neural-wavelet ...
  • Nourani, V., Kisi,O., Komasi, M., (۲۰۱۱), Two hybrid artificial intelligence ...
  • Shin, S., Kyung, D., Lee, S., Taik & Kim, J., ...
  • Tokar, A., Johnson,P., (۱۹۹۹), Rainfall-Runoff Modeling Using Artificial Neural Networks, ...
  • Wang, D., Safavi, AA., Romagnoli, JA., (۲۰۰۰), Wavelet-based adaptive robust ...
  • Zhu, YM., Lu, XX., Zhou,Y., (۲۰۰۷), Suspended sediment flux modeling ...
  • Zulifqar, A., Hussain, I., Faisal,M., Mamona Nazir, H., Hussain, T., ...
  • نمایش کامل مراجع