براورد رواناب با استفاده از استنتاج عصبی فازی و رگرسیون درحوضه ی آبریز دز
نویسندگان
چکیده مقاله:
تخمین دبی جریان در حوضه آبریز، به دلیل تاثیر ان در مدیریت منابع آب، می تواند نقش اقتصادی مهمی داشته باشد.در این تحقیق، ازمدل های(ANN)،(SVR)و(ANFIS) جهت پیش بینی رواناب حوضه آبریز دزاستفاده شده است. همبستگی بین ایستگاه ها بررسی و ایستگاههای کمندان،زورآباد و دره تخت به دلیل همبستگی اندک با ایستگاههای اطراف،حذف شدند سپس به دلیل عدم بررسی دخالت انسانی، با استفاده از نرم افزارxlstatروند ایستگاهها بررسی و ایستگاههای فاقد روند انتخاب شدند.جهت ارزیابی عملکرد مدل ها ازضریب همبستگی(R)،ضریب نش-ساتکلیف (NSE)وریشه ی میانگین مربعات خطا(RMSE)استفاده شده است.نتایج این تحقیق حاکی از برتریANFISبا رویکردکلاسترینگ نسبت به رویکرد شبکه بندی است.مدل های(ANN)،(ANFIS)و(SVR) توانایی خوبی در شبیه سازی جریان حوضه آبریز دز داشته اند.
منابع مشابه
مدلسازی بارش- رواناب با سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) و رگرسیون خطی چندمتغیره (MLR)
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 م...
متن کاملپیشبینی بلند مدت رواناب با استفاده از شبکه های عصبی مصنوعی و سیستم استنتاج فازی
مدلهای مفهومی بر مبنای هوش مصنوعی، اغلب برای پیشبینیهای کوتاه مدت و میان مدت هیدورلوژیکی به کار رفته اند. در این مقاله با استفاده از مفهوم تولید مجموعه ای از پیشبینیها1 (ESP) و تفکیک مدلسازی برای متغیرهای اقلیمیو هیدرولوژیکی، از مدلهای مفهومی برای پیشبینی بلندمدت حجم جریان رودخانه زاینده رود در محل ورودی به سد زاینده رود استفاده میشود. سیستم استنتاج فازی برای پیشبینی بار...
متن کاملپیش بینی بلند مدت رواناب با استفاده از شبکه های عصبی مصنوعی و سیستم استنتاج فازی
مدلهای مفهومی بر مبنای هوش مصنوعی، اغلب برای پیش بینیهای کوتاه مدت و میان مدت هیدورلوژیکی به کار رفته اند. در این مقاله با استفاده از مفهوم تولید مجموعه ای از پیش بینی ها1 (esp) و تفکیک مدلسازی برای متغیرهای اقلیمی و هیدرولوژیکی، از مدلهای مفهومی برای پیش بینی بلندمدت حجم جریان رودخانه زاینده رود در محل ورودی به سد زاینده رود استفاده می شود. سیستم استنتاج فازی برای پیش بینی بارش فصلی به صور...
متن کاملپیش بینی جریان رودخانه با استفاده از سامانه استنتاج فازی(FIS) وسامانه استنتاج فازی- عصبی تطبیقی(ANFIS)
این مقاله فاقد چکیده میباشد.
متن کاملتاثیر توزیعهای احتمالاتی در افزایش دقت پیشبینی رسوب معلق با استفاده از شبکههای عصبی مصنوعی و سیستم استنتاج فازی-عصبی(مطالعه موردی: حوزه آبخیز سد دز)
توجه به ماهیت دادههای رسوب و انتخاب روشهای مناسب پردازش بر روی دادهها قبل از ورود به مدلهای هوش مصنوعی از جمله مواردی است که میتواند نتایج حاصل از شبیهسازیها را به واقعیت نزدیک سازد. در این تحقیق تأثیر روشهای پردازش دادههای رسوب قبل از ورود به دو مدل شبکههای عصبی مصنوعی و سیستمهای استنتاج فازی-عصبی در هفت ایستگاه حوضه سد دز مورد بررسی قرار گرفته است. بر این اساس با توجه به توزیعهای ...
متن کاملپیشپردازش پارامترهای ورودی به شبکهی عصبی مصنوعی و سیستم استنتاج تطبیقی عصبی- فازی با استفاده از رگرسیون گام به گام و گاماتست بهمنظور تخمین تبخیر
فرایند تبخیر بهعلت نیاز به فاکتورهای اقلیمی مختلف و اثر متقابل این فاکتورها بر یکدیگر،یک پدیدهیغیرخطی و پیچیده است. یکی از مراحل پیچیده در مدلسازی غیرخطی، پیشپردازش پارامترهای ورودی برای انتخاب ترکیبی مناسب از آنها است. پیشپردازش دادهها سبب کاهش مراحل سعی و خطا و شناخت مهمترین پارامترهای مؤثر بر پدیدهی مورد نظر بهمنظور مدلسازی با استفاده از روشهای هوشمند میشود. در این پژوهش از دو ر...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 13 شماره 47
صفحات 57- 68
تاریخ انتشار 2019-08-23
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023