شبیه‌سازی رواناب با استفاده از شبکه عصبی- موجکی (مطالعه‌ی موردی: حوضه‌‌ی آبخیز رود خِرسان3)

author

  • صادق کریمی استادیار آب و هواشناسی، بخش جغرافیا، دانشگاه شهید باهنر کرمان، کرمان، ایران
Abstract:

برآورد، پیش­بینی و مدیریت رواناب همواره مورد توجه پژوهشگران بوده است؛ لذا با به کارگیری روشهای متداول و مرسوم هر دوره، اقدام به برآورد این پدیده به ظاهر زیانبار نموده اند که متأسفانه به دلیل پیچیدگی رابطه­ی بین بارش و رواناب، و غیر خطی بودن این رابطه، نتایج خیلی دقیقی را به دست نمی­دادند. امروزه، پیشرفت علم و توسعه­ی روشهای نوین در همه­ی ابعاد علمی، امیدواری خوبی را در زمینه­ی شناخت و حل چنین روابطی به وجود آورده است. یکی از روشهایی که در چند دهه­ی اخیر توجه محققین را به خود جلب کرده، استفاده از شبکه­های عصبی است. در این پژوهش از شبیه عصبی- موجکی برای براورد رواناب در حوضه­ی آبخیز رود خِرسان3، استفاده شده است. سپس نتایج به دست آمده از این شبیه با نتایج شبکه­ی عصبیِ انتشار برگشتی و شبکه­ی عصبیِ بنیادی- شعاعی به عنوان شبیه­های قدیمیتر مقایسه، و تجزیه و تحلیل گردید. بررسی دقت و مقایسه نتایج محاسبات باکاربرد ضریب همبستگی و ریشه­ی میانگین مربعات خطا صورت گرفت. نتایج این تحقیق نشان می­دهند که دقت شبکه­ی عصبی- موجکی از شبکه­ی عصبی انتشار برگشتی، و شبکه­ی عصبی بنیادی- شعاعی در وضعیت بهتری قرار دارد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

الگوی جدید بارش- رواناب حوضه آبریز هلیل رود با استفاده از مدل هیبرید شبکه عصبی- موجکی

برآورد سیلاب و مدیریت آن از دیرباز مورد توجه کارشناسان و مدیران علوم محیطی بوده است. برای این امر روش‌‌های بسیاری وجود دارد که یکی از چشم‌گیرترین آن‌‌ها استفاده از شبکه‌‌های عصبی مصنوعی است. در این تحقیق، مدل بارش- رواناب حوضه آبریز رودخانه هلیل رود در جنوب‌شرق ایران ارائه شده است. ظهور تئوری‌های توانمند مانند منطق فازی و شبکه‌‌های عصبی مصنوعی(ANN)، الگوریتم ژنتیک و موجک تحولی عظیم در تحلیل رفت...

full text

شبیه سازی رواناب با استفاده از شبکه عصبی- موجکی (مطالعه ی موردی: حوضه ی آبخیز رود خِرسان3)

برآورد، پیش­بینی و مدیریت رواناب همواره مورد توجه پژوهشگران بوده است؛ لذا با به کارگیری روشهای متداول و مرسوم هر دوره، اقدام به برآورد این پدیده به ظاهر زیانبار نموده اند که متأسفانه به دلیل پیچیدگی رابطه­ی بین بارش و رواناب، و غیر خطی بودن این رابطه، نتایج خیلی دقیقی را به دست نمی­دادند. امروزه، پیشرفت علم و توسعه­ی روشهای نوین در همه­ی ابعاد علمی، امیدواری خوبی را در زمینه­ی شناخت و حل چنین ر...

full text

شبیه سازی رواناب با استفاده از شبکه عصبی- موجکی (مطالعه ی موردی: حوضه ی آبخیز رود خِرسان۳)

برآورد، پیش­بینی و مدیریت رواناب همواره مورد توجه پژوهشگران بوده است؛ لذا با به کارگیری روشهای متداول و مرسوم هر دوره، اقدام به برآورد این پدیده به ظاهر زیانبار نموده اند که متأسفانه به دلیل پیچیدگی رابطه­ی بین بارش و رواناب، و غیر خطی بودن این رابطه، نتایج خیلی دقیقی را به دست نمی­دادند. امروزه، پیشرفت علم و توسعه­ی روشهای نوین در همه­ی ابعاد علمی، امیدواری خوبی را در زمینه­ی شناخت و حل چنین ر...

full text

الگوی جدید بارش- رواناب حوضه آبریز هلیل رود با استفاده از مدل هیبرید شبکه عصبی- موجکی

برآورد سیلاب و مدیریت آن از دیرباز مورد توجه کارشناسان و مدیران علوم محیطی بوده است. برای این امر روش های بسیاری وجود دارد که یکی از چشم گیرترین آن ها استفاده از شبکه های عصبی مصنوعی است. در این تحقیق، مدل بارش- رواناب حوضه آبریز رودخانه هلیل رود در جنوب شرق ایران ارائه شده است. ظهور تئوری های توانمند مانند منطق فازی و شبکه های عصبی مصنوعی(ann)، الگوریتم ژنتیک و موجک تحولی عظیم در تحلیل رفتار س...

full text

مدل‌سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی- عصبی تطبیقی در حوزه آبخیز کسیلیان

     Rainfall runoff modeling and prediction of river discharge is one of the important practices in flood control and management, hydraulic structure design and drought management. The present article aims to simulate daily streamflow in Kasilian watershed using an artificial neural network (ANN) and neuro-fuzzy inference system (ANFIS). The intelligent methods have the high potential for dete...

full text

شبیه سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی(مورد: حوضه آبخیز فریدن)

سیل، یکی از پدیده‌های ویرانگر طبیعی است که پیش‌بینی آن از اهمیت بالایی برخوردار است و در این میان برآورد بارش- رواناب به دلیل تأثیرگذاری عوامل مختلف، دشوار است. در این پژوهش با استفاده از شبکه پرسپترون چند لایه(MLP)، قانون یادگیری پس‌انتشار خطا(BP)، الگوریتم لونبرگ- مارکوارت(LM) و معیارهای RMSE و R2 جهت کارایی مدل، 6 سناریو تعریف گردید. بررسی حالات مختلف نشان داد که بهترین مدل شبکه عصبی جهت شبی...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 8  issue 24

pages  1- 14

publication date 2015-04-21

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023