آمار
| تعداد نشریات | 44 |
| تعداد شماره‌ها | 1,323 |
| تعداد مقالات | 16,270 |
| تعداد مشاهده مقاله | 52,954,035 |
| تعداد دریافت فایل اصل مقاله | 15,624,707 |
مقایسه مدلهای شبکه عصبی مصنوعی دینامیک و همبستگی خطی چند متغیره در پیش بینی آبدهی به کمک داده های سنجش از دور | ||
| دانش آب و خاک | ||
| مقاله 13، دوره 20، شماره 2، مرداد 1389، صفحه 173-185 اصل مقاله (435.96 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| محمدابراهیم بنی حبیب* 1؛ فریماه سادات جمالی2 | ||
| 1پردیس ابوریحان دانشگاه تهران | ||
| 2دانشگاه تهران | ||
| چکیده | ||
| هدف تحقیق حاضر، مقایسه توانایی مدل شبکه عصبی مصنوعی و مدل همبستگی خطی چند متغیره در پیشبینی شش ماه آیندة جریان ورودی به مخزن سد شاهچراغی در استان سمنان، بر اساس دادههای ماهانه آبدهی، دمای متوسط، ماهواره AVHRR بارش و سطح پوششبرف چند ماه قبل میباشد. برای تعیین سطح پوششبرف، از تصاویر سنجنده استفاده گردیده و جداسازی سطح برف با استفاده از روش جداسازی پدیدهها بر اساس حد آستانه هیستوگرام NOAA آنها در باندهای مرئی و حرارتی انجام شده است. یک لایه مخفی و تابع انتقال سیگموئید و تابع آموزش لونبرگ- مارکوارت در ساختار مدلهای شبکه عصبی مصنوعی استفاده گردیده است. پنج مدل شبکه عصبی مصنوعی دینامیک و پنج مدل همبستگی خطی چند متغیره با دادههای ورودی متفاوت ساخته شده و نتایج آنها مقایسه شد. معیارهای انتخاب میانگین قدرمطلق خطای نسبی ،(MBE) انحراف خطای میانگین ،(RMSE) بهترین مدل، شامل جذر متوسط خطا بوده و بهترین نتیجه با مدلی حاصل گردید که ( R و ضریب همبستگی ( 2 (REmax) حداکثر خطای نسبی ،(MARE) دادههای بارش، آبدهی و سطح پوشش برف را به عنوان ورودی مدل استفاده کرده است. همچنین بهبود نتایج مدل منتخب نسبت به مدل همبستگی خطی چند متغیره که در تحقیقات قبلی برای پیشبینی جریان به کار رفته است، بررسی شده است. نتایج نشان میدهد شاخصخطای نسبی حداکثر در مدل شبکه عصبی ۸۰ % کمتر از مدل رگرسیون خطی چند متغیره است. | ||
| کلیدواژه‌ها | ||
| پیشبینی جریان؛ سد شاهچراغی؛ سطح پوشش برف؛ شبکه عصبی مصنوعی دینامیک؛ همبستگی خطی چند متغیره | ||
| مراجع | ||
|
برهانی داریان ع، ضاهرپور ج و فاتحی مرج ا.، ۱۳۸۳ . مدلهای برفابی پیشبینی جریان حوضه آبریز به کمک .۲۴۳ - مجله بین المللی علوم مهندسی، جلد ۱۵ ، شماره ۲، صفحههای ۲۲۵ .GIS بنی حبیب م.ا، ولی پور، م و بهبهانی س. م، ۱۳۸۷ . مدل خود همبسته شبکه عصبی مصنوعی دینامیک برای پیشبینی جریان ماهانه ورودی به مخزن سد دز. صفحه ۱۵۴ . مجموعه مقالات پنجمین کنفرانسآبخیزداری- گرگان. مجله پژوهش .NOAA پرهمت، ج، تقفیان ب و صدقی ح، ۱۳۸۱ . مدل تکنیک برف، ابر و زمین در تصاویر ماهوارهای نوا .۱۴ - و سازندگی، شماره ۵۶ و ۵۷ ، صفحههای ۲ حوضه سد NOAA-AVHRR جمالی ف.س، بنی حبیب، م.ا و ثقفیان ب، ۱۳۸۸ . پایش سطح برف با استفاده از تصاویر ۳۶۸ . مجموعه مقالات اولین کنفرانس بین المللی منابع آب، دانشگاه صنعتی شاهرود، - دامغان. صفحههای ۳۷۵ شاهرود. مصداقی م، ۱۳۸۳ . روشهای رگرسیون در تحقیقات کشاورزی و منابع طبیعی. انتشارات دانشگاه امام رضا (ع). Banihabib ME, Jamali FS, Mousavi SM, 2009. An artificial neural network model, detecting spatial and temporal correlation among stations in reservoir inflow forecasting. Pp. 406-413. Proceeding of 33rd IAHR Congress: Water Engineering for a Sustainable Environment. Vancouver, Canada. Baum B, Trepte Q, 1999. A grouped threshold approach for scene identification in AVHRR imagery. Journal of Atmospheric and Oceanic Technology 16: 793-800. مقایسه مدلهای شبکه عصبی مصنوعی دینامیک و همبستگی خطی چند متغیره ....... 185 Erturk, GA Sonmez, I Unal Soomen A 2008.The Validation of the snow cover mapping derived from NOAA AVHRR/3 OVER Turkey. Proceeding of EUMETSAT Meteorological Satellite Conference, Darmstadt, Germany, EUMETSAT P. 52, CD-ROM ISBN 978-92-9110-082-8, ISSN 1011-3932. Jagadeesh A, Zhang B, Govindaraju R, 2000. Comparison of ANNs and empirical approaches for predicting watershed runoff. Journal of Water Resources Planning and Management 126: 156- 166. Mohammadi K, Eslami HR, and Dayyani Dardashti, Sh, 2005. Comparison of regression, ARIMA, and ANN models for reservoir inflow forecasting using snowmelt equivalent (a case study of Karaj). Journal of Agriculture Science Technology, 7: 17-30. | ||
|
آمار تعداد مشاهده مقاله: 2,929 تعداد دریافت فایل اصل مقاله: 1,341 |
||