بررسی توانمندی مدل شبکه عصبی مصنوعی در شبیه‌سازی فرآیند بارش-رواناب در شرایط تغییر اقلیم (مطالعه موردی: حوزه سد پاشاکلا بابل)
Authors
Abstract:
River flow forecasting plays an important role in planning, management and operation of water resources. To achieve this goal and according to the phenomenon of global warming, it is necessary to simulate the daily time series of rainfall and runoff for future periods. Therefore, it is important to survey the detection of climate change event and its impact on precipitation and runoff in the basin. In the first step of this research, using Mann-Kendall trend statistical test, climate change event in the Pashakola Babol basin in Mazandaran province is confirmed. The results of the survey on 36 years daily mean temperature data, reflect the increasing trend in average temperature in the basin. In the second step, the LARS-WG model under general circulation models HadCM3 and A2 scenario is used to generate the daily rainfall time series in the future period. In order to rainfall data, minimum temperature, maximum temperature and sunshine hours is entered in the model for 12-year base period (2004-2015) and Then daily rainfall time series in the basin is predicted for the next 10-year period (2016-2025). In the third step, the artificial neural network model is used to simulate the process of rainfall - runoff in the climate change condition and to generate the daily runoff time series in the future period. Finally, in order to enhance the capability of the artificial neural network model in predicting the daily runoff, besides the predicted daily precipitation data, the rainfall and runoff data one day before as effective factors on the current day runoff is also entered in the model and using rainfall and runoff neurons. Correlation coefficient was obtained equal to 0.8. This correlation coefficient is significant at 1% and show the ability of model to simulate rainfall–runoff process.
similar resources
شبیه سازی فرآیند بارش- رواناب با بکارگیری شبکه عصبی مصنوعی (ANN) و مدل HEC-HMS ( مطالعه موردی حوزه آبخیز کسیلیان)
برای شبیه سازی فرآیند بارش - رواناب در سطح حوزه آبخیز کسیلیان با مساحت حدود 68 کیلومترمربع واقع در شمال ایران، مدل (HEC-HMS) و روش شبکه عصبی مصنوعی(ANN) بکار گرفته شد. شبکه عصبی دارای قابلیت بالایی برای برقراری ارتباط بین داده های ورودی و خروجی و مدل(HEC-HMS) دارای قابلیت بالایی در بهینه سازی آبنمود شبیه سازی شده می باشد. عامل هدر رفت اولیه خاک به عنوان یک معیار کمی در برگیرنده سه فاک...
full textشبیه سازی فرآیند بارش رواناب در حوزه آبخیز ناورود با مدل ولترای مرتبه محدود و شبکه های عصبی مصنوعی
This study evaluates the performance of the linear first-order Volterra model for simulating nonlinear rainfall-runoff process. For this end, fifteen storm events over the Navrood River basin were collected. 70% and 30% of the events were used to calibrate and test the suitability of the model. Finally, the performance of the model was compared with the artificial neural networks (multilayer pe...
full textکاربرد شبکه عصبی مصنوعی در پیش بینی رواناب ناشی از ذوب برف (مطالعه موردی: حوزه آبخیز سد لتیان)
Flood is one of the natural disaster phenomena and flood prediction is very important. The rainfall-runoff process and flood are physical phenomena that these analyses are difficult due to the influence of various parameters. There are different methods and models for these phenomena analysis. This study is carried out for rainfall-runoff process simulation using artificial neural network (ANN...
full textشبیه سازی فرآیند بارش- رواناب با استفاده از شبکه عصبی مصنوعی و سیستم فازی- عصبی تطبیقی (مطالعه موردی: حوزه آبخیز حاجی‌قوشان)
full text
مدلسازی بارش- رواناب در شرایط تغییر اقلیم به‌منظو ر پیش‌بینی جریانات آتی حوزه صوفی‌چای
Two major issues through studies on hydrological impact assessment of climate change are the sufficiency of historical data and selection of the best rainfall-runoff model. Climate models, with the ability to simulate climatic variables, are considered as references for future projections. Therefore, the rainfall-runoff model must be able to simulate streamflow using only these variables. Curre...
full textشبیه سازی فرآیند بارش رواناب در حوزه آبخیز ناورود با مدل ولترای مرتبه محدود و شبکه های عصبی مصنوعی
در این تحقیق، مدلسازی فرآیند غیرخطی بارش- رواناب با استفاده از مدل خطی ولترا انجام میشود. بدین منظور، دادههای بارش و رواناب همزمان مربوط به پانزده رویداد از حوزه آبخیز ناورود واقع در شمال کشور جمعآوری گردیده و بهترتیب 70 % و 30 % رویدادها برای آموزش و تست مدل بکار برده شدند. در نهایت، عملکرد مدل ولترا با شبکه عصبی پرسپترون چند لایه و با استفاده از پنج معیار عملکرد مختلف مورد مقایسه قرار گر...
full textMy Resources
Journal title
volume 8 issue 16
pages 53- 64
publication date 2018-02
By following a journal you will be notified via email when a new issue of this journal is published.
No Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023