پیش بینی دبی اوج در نقاط پایین دست با استفاده از داده های ایستگاه های بالادست به کمک شبکه عصبی (مطالعه موردی: طالقان)

پیش‌بینی دبی اوج در نقاط پایین دست با استفاده از داده های ایستگاه‌های بالادست به کمک شبکه عصبی (مطالعه موردی: طالقان)

در برخی موارد ممکن است ایستگاه هیدرومتری پایین‌دست منطقه به دلایلی تخریب شده باشد و دانستن دبی در پایین‌دست منطقه ضرورت داشته باشد، در این مواقع می‌توان با استفاده از اطلاعات موجود و یا داده‌های ایستگاه‌های بالادست، دبی در ایستگاه پایین‌دست را پیش‌بینی کرد. در این تحقیق دبی اوج در ایستگاه گلینک واقع در خروجی حوزه آبخیز طالقان با استفاده از شبکه عصبی مصنوعی در دو حالت پیش‌بینی شده است. در حالت ا...

پیش بینی دمای کمینه ایستگاه کرج با استفاده از داده های شاخص های پیوند از دور و شبکه عصبی مصنوعی

توجه علمی به مخاطرات محیطی که آسیب پذیری بسیاری از کشورهای دنیا را به دنبال دارد، آغازی نسبتاً تازه دارد. یکی از این خطرها یخبندانها می باشند که سبب زیانهای عظیمی در زمینه های کشاورزی، حمل و نقل، انرژی ، زیست محیطی و غیره شده است. جهت جلوگیری از خطرات ناشی از آنها استفاده از روشهای پیش بینی امکان پیش آگاهی از حداقل دما و رخداد پدیده یخبندان را فراهم ساخته  تا مسئولان در جهت جلوگیری از آن...

پیش بینی دبی روزانه رودخانه با استفاده از مدل نروفازی (مطالعه موردی: حوزه آبخیز طالقان)

پیش بینی سیل با استفاده از شبکه عصبی مصنوعی و رگرسیون چندمتغیره غیرخطی (مطالعه موردی: طالقان)

با توجه به کمبود ایستگاه های اندازه گیری در کشور، لزوم استفاده از مدل های تجربی برآورد دبی حداکثر لحظه ای بسیار ضروری است. در این پژوهش از دو مدل شبکه عصبی و رگرسیون چندمتغیره غیرخطی برای پیش بینی دبی اوج در حوزة آبخیز طالقان استفاده گردید. با استفاده از آمار دبی های متوسط حداکثر روزانه و بارش های متناظر، یک روز قبل و پنج روز قبل و مجموع بارندگی پنج روزه و همچنین دمای میانگین ماهانه در واحدهای ...

ارزیابی قابلیت مدل شبکه عصبی مصنوعی در پیش بینی پراکنش مکانی گونه های گیاهی (مطالعه موردی: مراتع طالقان میانی)

در این تحقیق قابلیت مدل شبکه عصبی در پیش­بینی پراکنش مکانی گونه­های گیاهی ارزیابی شده است. با توجه به هدف، اطلاعات پوشش گیاهی و عوامل رویشگاهی شامل اقلیم، خاک، پستی و بلندی و زمین­شناسی جمع­آوری شد. برای نمونه­برداری از پوشش گیاهی در هر تیپ رویشی، 3 ترانسکت150 متری مستقر و در هر ترانسکت 15 پلات با فواصل 10 متر (به روش تصادفی-سیستماتیک) مستقر شد. برای تجزیه و تحلیل اطلاعات و ارائه نقشه عوامل محی...

پیش¬بینی جریان روزانه با استفاده از شبکه¬های عصبی مصنوعی و عصبی- موجکی (مطالعه موردی: رودخانه باراندوزچای)

پیش­بینی دقیق جریان در رودخانه­ها یکی از مهمترین ارکان در مدیریت منابع آبهای سطحی به ویژه جهت اتخاذ تدابیر مناسب در مواقع سیلاب و بروز خشکسالی­ها است. به دلیل اهمیت پیش­بینی جریان رودخانه، در این تحقیق جریان روزانه رودخانه­ی باراندوزچای در دو ایستگاه بی­بکران و دیزج طی یک دوره­ی آماری 20 ساله با استفاده از مدل عصبی- موجکی (WNN) که تلفیق آنالیز موجک و شبکه عصبی مصنوعی (ANN) می­باشد، پیش­بینی گرد...