بررسی قابلیت پارامتر Cprecip در منظور کردن اثر برف بر پیش بینی دبی روزانه رودخانه به وسیله شبکه عصبی و شبکه عصبی فازی
نویسندگان
چکیده مقاله:
یکی از پارامترهای موثر در پیش بینی دبی خصوصاًدر حوضه‌های برفگیر، پارامتر برف میباشد. آب معادل برف متداول‌ترین پارامتری است که در مدل‌سازی جریان رودخانهها، به منظور وارد کردن تأثیر برف در مدل استفاده می‌شود. در این مقاله سعی شده است با توجه به عدم دسترسی به پارامتر آب معادل برف در درصد قابل توجهی از حوضه‌ها، پارامترهای باران تجمعی و باران تجمعی مازندران جایگزین آب معادل برف شوند. پارامتر باران تجمعی، بارندگی تجمعی از اول نوامبر تا اول آپریل و معرف برف انباشته شده میباشد که در بهار ذوب می‌شود. پارامتر باران تجمعی مازندران با انجام تغییراتی بر روی پارامتر باران تجمعی (جهت سازگاری آن با حوضه‌های مازندران) به دست می‌آید. نتایج مدل‌سازی نشان داد که پارامتر باران تجمعی قابلیت جایگزینی پارامتر آب معادل برف را دارد و پارامتر باران تجمعی مازندرانبا توجه به انطباق بیشتر با حوضه‌های این ناحیه، کارایی بیشتری نسبت به پارامتر باران تجمعی دارد.
منابع مشابه
بررسی قابلیت پارامتر cprecip در منظور کردن اثر برف بر پیش بینی دبی روزانه رودخانه به وسیله شبکه عصبی و شبکه عصبی فازی
یکی از پارامترهای موثر در پیش بینی دبی خصوصاًدر حوضه های برفگیر، پارامتر برف می باشد. آب معادل برف متداول ترین پارامتری است که در مدل سازی جریان رودخانه ها، به منظور وارد کردن تأثیر برف در مدل استفاده می شود. در این مقاله سعی شده است با توجه به عدم دسترسی به پارامتر آب معادل برف در درصد قابل توجهی از حوضه ها، پارامترهای باران تجمعی و باران تجمعی مازندران جایگزین آب معادل برف شوند. پارامتر باران ...
متن کاملبررسی قابلیت پارامتر cprecip در منظور کردن اثر برف در مدل سازی جریان رودخانه به وسیله شبکه عصبی مصنوعی
آگاهی از کمیت آب رودخانه ها از اهمیت بالایی برخوردار است.یکی از روش های پیش بینی دبی رودخانه ها استفاده از شبکه های عصبی مصنوعی می باشد.همچنین یکی از پارامترهای موثر بر میزان دبی رودخانه ها برف است.با توجه به عدم دسترسی به داده های برف در درصد قابل توجه از حوضه ها در این رساله سعی بر جایگزینی برف با پارامترهای دیگر شده است.این پارامتر جایگزین باران تجمعی از اول نوامبر (cprecip) می باشد که به نو...
15 صفحه اولبررسی عملکرد مدل شبکه عصبی موجک در تخمین دبی روزانه
سیل یکی از بلایای طبیعی مهمی است که همه ساله باعث ایجاد خسارت‌های مالی و جانی فراوانی به جوامع </st...
متن کاملپیش¬بینی جریان روزانه با استفاده از شبکه¬های عصبی مصنوعی و عصبی- موجکی (مطالعه موردی: رودخانه باراندوزچای)
پیشبینی دقیق جریان در رودخانهها یکی از مهمترین ارکان در مدیریت منابع آبهای سطحی به ویژه جهت اتخاذ تدابیر مناسب در مواقع سیلاب و بروز خشکسالیها است. به دلیل اهمیت پیشبینی جریان رودخانه، در این تحقیق جریان روزانه رودخانهی باراندوزچای در دو ایستگاه بیبکران و دیزج طی یک دورهی آماری 20 ساله با استفاده از مدل عصبی- موجکی (WNN) که تلفیق آنالیز موجک و شبکه عصبی مصنوعی (ANN) میباشد، پیشبینی گرد...
متن کاملپیش بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی برالگوریتم ژنتیک و مقایسه با شبکه عصبی فازی
In capital markets, stock price forecasting is affected by variety of factors such as political and economic condition and behavior of investors. Determining all effective factors and level of their effectiveness on stock market is very challenging even with technical and knowledge-based analysis by experts. Hence, investors have encountered challenge, doubt and fault in order to invest with mi...
متن کاملبازسازی دبی روزانه با استفاده از روش های شبکه عصبی و فازی- عصبی(مطالعه موردی: سرشاخه های حوزه آبخیز کارون)
برای برآورد دبی روزانه در مدلهای هیدرولوژی نیاز به دبیهای پیوسته در بازه زمانی روزانه هست. تعداد سالهای آماری متفاوت، نواقص آماری و خطای اندازهگیری باعث ایجاد سریهای زمانی با پایه زمانی غیرمشترک میگردد. بنابراین بازسازی دادههای دبی روزانه از اهمیت ویژهای برخوردار است. این تحقیق به‌منظور بازسازی دبی روزانه در یکی از سرشاخههای رودخانه کارون و در دو مرحله انجام گرفت. در هر دو مرحله تحقیق ...
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 35 شماره 1
صفحات 83- 92
تاریخ انتشار 2012-05-21
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