پیش بینی تراز آب زیرزمینی حوضه آبریز شریف آباد قم با استفاده از مدل های موجک عصبی و برنامه ریزی ژنتیک
نویسندگان
چکیده
در این تحقیق پیشبینی تراز آب زیرزمینی حوضه آبریز شریفآباد استان قم با بهرهگیری از برخی مدلهای هوشمند میباشد. به این منظور از دادههای ماهیانه تراز آب زیرزمینی در سه حلقه چاه مشاهدهای واقع در حوضه آبریز شریفآباد در مدل سازیها استفاده شده است. جهت مقایسه نتایج حاصل از مدلهای هیبرید آنالیز موجک-شبکه عصبی (wnn)، برنامهریزی ژنتیک (gp)، رگرسیون خطی چند متغیره (mlr) و شبکه عصبی مصنوعی (ann) از دو معیار ریشه خطای مربع متوسط (rmse) و ضریب کارایی نش- ساتکلیف (e) استفاده شده است. نتایج تحقیق نشان داده است که مدل ترکیبی موجک-عصبی پیشبینی دقیقتری برای تراز آب زیرزمینی ماهانه نسبت به مدل های ann، gp و mlr ارائه داده، به طوریکه ضریب نش در مدل ترکیبی برای پیزومترهای 1، 2 و 3 به ترتیب 98/0، 98/0 و 95/0 حاصل شده است.
منابع مشابه
مدل سازی تراز آب زیرزمینی با بهره گیری از مدل هیبرید موجک- شبکه عصبی مصنوعی (مطالعه موردی: دشت شریف آباد)
منابع آب زیرزمینی یکی از مهمترین منابع تأمین آب میباشند، از اینرو مدلسازی آنها بسیار حائز اهمیت میباشد. ارزیابی و پیشبینی تراز آب زیرزمینی به پیشبینی منابع آب زیرزمینی کمک میکند. هدف این مطالعه ارزیابی عملکرد سه مدل رگرسیون خطی چندمتغیره (mlr)، مدل هیبرید موجک- شبکه عصبی (wnn) و شبکه عصبی مصنوعی (ann) در پیشبینی سطح آب زیرزمینی (gwl)، بر مبنای دو معیار ریشه خطای مربع متوسط (rmse) و ضر...
متن کاملکاربرد مدل شبکه عصبی- موجک برای پیش بینی ویژگی های غیرایستا و غیرخطی سری زمانی تراز آب زیرزمینی
سفره های آب زیرزمینی غالباً به عنوان سیستم هایی با ویژگی های غیرایستا و غیرخطی شناخته می شوند. مدل سازی این سیستم ها و پیش بینی حالت های آینده آن ها نیازمند تشخیص این ویژگی های بنیادی است. اخیراً، آنالیز موجک به دلیل توانایی آن در رمزگشایی ویژگی های اشاره شده، به طور گسترده ای در زمینه پیش بینی سری های زمانی هیدرولوژیکی مورد استفاده قرار گرفته است. در این مقاله توانایی مدل ترکیبی ...
متن کاملپیش بینی تراز آب زیرزمینی دشت قم به وسیله مدل ترکیبی شبکه عصبی- موجک
مدلهای پیشبینی صحیح و قابل اطمینان تراز آب زیرزمینی برای مدیریت منابع آب اهمیت دارند. در سالهای اخیر استفاده از تحلیل موجک برای تجزیه سریهای زمانی و ترکیب آن با شبکههای عصبی به صورت گستردهای در مدلسازی پدیدههای هیدرولوژیکی به کار رفتهاست. در پژوهش حاضر کاربرد مدلهای شبکه عصبی، ترکیبی شبکه عصبی- موجک و رگرسیون خطی چندمتغیره در پیشبینی تراز آب زیرزمینی هفت حلقه پیزومتر واقع در دشت قم ب...
15 صفحه اولپیش بینی جریان رودخانه با استفاده از برنامه ریزی ژنتیک (مطالعه موردی: حوضه آبریز رودخانه لیقوان)
روشهای متعددی همچون مدل سریهای زمانی، شبکههای عصبی مصنوعی، منطق فازی، نرو فازی و برنامهریزی ژنتیک برای پیشبینی جریان رودخانه به کار میرود. در تحقیق حاضر از روش نوین برنامهریزی ژنتیک جهت پیشبینی جریان روزانه رودخانه لیقوان در حوضه آبریز دریاچه ارومیه در دوره آماری 1376 تا 1380 استفاده شد. همچنین نقش حافظه در کاهش یا افزایش دقت پیش بینی مورد بررسی قرار گرفت. جهت مدلسازی جریان رودخانه ...
متن کاملپیش بینی تراز آب زیرزمینی دشت شاهرود استفاده از شبکه عصبی مصنوعی تابع پایه شعاعی
Groundwater level prediction is an important issue in scheduling and managing water resources. A number of approaches such as stochastic, fuzzy networks and artificial neural network have been used for such prediction. A neural network model has been employed in this research for Shahrood plain groundwater level prediction. For this reason, statistical parameters of groundwater level fluct...
متن کاملپیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA
تبدیل موجک یکی از روشهای نوین و بسیار موثر در زمینه تحلیل سیگنالها و سریهای زمانی است. در این روش سیگنال شاخص بارش استاندارد (SPI) با استفاده از موجک مادر منتخب تجزیه شده، دادههای حاصل بهعنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیشبینی خشکسالی ارائه میگردد. در این تحقیق، از شبکههای عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایهای شعاعی ((RBF، سری زمانی AR...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
تحقیقات کاربردی علوم جغرافیاییجلد ۱۶، شماره ۴۲، صفحات ۷-۲۶
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023