مدل‌سازی بارش- رواناب با سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) و رگرسیون خطی چندمتغیره (MLR)

Authors

  • علیرضا عمادی گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری
Abstract:

در این پژوهش، کارآیی سیستم فازی- عصبی برای برآورد رواناب ناحیه کوهستانی حوضه هراز مورد ارزیابی قرار گرفت. هدف ایجاد مدلی با توابع و درجه عضویت مناسب است که بتواند رابطه بارندگی- رواناب را در یک حوضه به­درستی برقرار کند. بدین منظور برای پیش­بینی رواناب، 44 ترکیب مختلف از پارامترهای بارندگی، دما، تبخیر، دبی جریان و شاخص بارش پیشین با تأخیر زمانی بین آنها به­صورت روزانه طی دوره 32 سال آماری وارد مدل ANFIS گردید. از بین ترکیبات مختلف ورودی، ساختار بارندگی و دمای متوسط روز جاری، شاخص رطوبتی و دبی یک روز قبل به­عنوان مدل مناسب انتخاب شد. نتایج حاصل از آزمون آماری t-test برای تعیین اختلاف معنی­داری نشان داد که بین دو روش ANFIS و MLR اختلاف معنی­داری وجود ندارد. روش ANFIS با تابع عضویت مثلثی شکل درجه دو با معیارهای آماری 67/2= RMSE، 16/4= VE، 98/0= R2 و 97/0= EF نسبت به روش MLR با 83/2= RMSE، 55/4= VE، 94/0= R2 و 92/0= EF در دوره آزمون، عملکرد بهتری در مدل­سازی بارش- رواناب ناحیه کوهستانی حوضه هراز دارد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

شبیه‌سازی فرایند بارش- رواناب با استفاده از شبکة عصبی- مصنوعی و سیستم فازی عصبی تطبیقی و رگرسیون چندمتغیره (مطالعة موردی: حوضة آبخیز خرم‌آباد)

مقدار دبی یا رواناب خروجی از یک حوضة آبخیز از اهمیت زیادی برخوردار است؛ زیرا کمبود آن ممکن است موجب خسارات مالی و مازاد آن به‌صورت سیلاب ممکن است موجب خسارات جانی و مالی شود. در این پژوهش با استفاده از شبکة عصبی مصنوعی پرسپترون چندلایه (MLP) و مدل فازی عصبی تطبیقی (ANFIS) و روش رگرسیون چندمتغیره، فرایند بارش- رواناب به‌صورت روزانه در حوضة آبخیز خرم‌آباد شبیه‌سازی شد. برای ورودی‌ها از ترکیب‌های ...

full text

کارایی شبکه‌های عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقی در مدل‌سازی بارش- رواناب در حوضه آبخیز سد زاینده‌رود

در دهه‌های اخیر به‌دلیل اهمیت یافتن مسئله آب و همینطور افزایش تمایل به محاسبه مقدار رواناب حاصل از بارش، توسعه و اجرای روشهای مناسب برای پیش‌بینی رواناب از روی داده‌های بارش به مسئله‌ای ضروری تبدیل شده است. یکی از این روشها که در بسیاری از رشته‌ها از جمله هیدرولوژی توسعه یافته است، استفاده از روشهای محاسبات نرم نظیر منطق فازی و شبکه‌های عصبی مصنوعی است. در این تح...

full text

شبیه سازی تبخیر روزانه به کمک مدل‌های سیستم استنتاج تطبیقی عصبی- فازی (ANFIS) و رگرسیون چندمتغیره (MR) در ایستگاه سینوپتیک تبریز

Using empirical models for estimating evaporation requires a lot of variables that some of them can not be measured in the stations. Therefore, this study aimed to simulate the daily evaporation of Tabriz synoptic satation using meteorological data including average temperature of air (ْc), wind velocity mean (m/s), relative humidity (%) and sun light hours by Adaptive Neuro-Fuzzy Inference Syst...

full text

مدل‌سازی مکانی مناطق اکتشاف نفتی با سیستم استنتاج فازی عصبی تطبیقی (ANFIS) در GIS

فرآیند اکتشاف منابع هیدروکربنی فرآیندی بسیار پیچیده و پرهزینه می‌باشد. در این فرایند فاکتورهای متعدد زمین‌شناسی، ژئوشیمی و ژئوفیزیک تهیه و باهم تلفیق می‌شوند.  طراحی بهترین مسیر برای برداشت داده‌های لرزه‌نگاری و همچنین  تعیین بهترین محل برای حفر چاه‌های اکتشافی از اهمیت ویژه‌ایی برخوردار است، زیرا عدم دقت در انتخاب موقعیت مکانی، صرف هزینه و زمان زیاد در طول عملیات می‌باشد. هدف این تحقیق تعیین م...

full text

شبیه سازی فرایند بارش- رواناب با استفاده از شبکة عصبی- مصنوعی و سیستم فازی عصبی تطبیقی و رگرسیون چندمتغیره (مطالعة موردی: حوضة آبخیز خرم آباد)

مقدار دبی یا رواناب خروجی از یک حوضة آبخیز از اهمیت زیادی برخوردار است؛ زیرا کمبود آن ممکن است موجب خسارات مالی و مازاد آن به صورت سیلاب ممکن است موجب خسارات جانی و مالی شود. در این پژوهش با استفاده از شبکة عصبی مصنوعی پرسپترون چندلایه (mlp) و مدل فازی عصبی تطبیقی (anfis) و روش رگرسیون چندمتغیره، فرایند بارش- رواناب به صورت روزانه در حوضة آبخیز خرم آباد شبیه سازی شد. برای ورودی ها از ترکیب های ...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 9  issue 4

pages  39- 51

publication date 2019-06-22

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