مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

521
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

612
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

مقایسه کارایی مدل شبکه عصبی مصنوعی، سری زمانی و مدل ترکیبی ANN-ARIMA در مدلسازی و پیش بینی شاخص منبع آب زیرزمینی (GRI) (مطالعه موردی: جنوب استان قزوین)

صفحات

 صفحه شروع 47 | صفحه پایان 57

چکیده

 خشکسالی آب زیرزمینی یکی از انواع خشکسالی است که در اثر تغذیه ناکافی مخازن سفره های آب زیرزمینی بوجود آمده و شاخص منبع آب زیرزمینی (GRI) به عنوان روشی برای بیان وضعیت سطح آب زیرزمینی محسوب می شود. تاکنون روش ها و مدل های مختلفی برای پیش بینی و مدل سازی این پدیده ارائه شده است اما از آنجا که انتخاب یک مدل مناسب کار مشکلی می باشد می توان به جای استفاده از یک مدل؛ ترکیبی از مدل های منفرد قابل قبول را مورد استفاده قرار داد تا بتوان به پیش بینی مناسبت تر و قابل اعتماد تری دست یافت. در این تحقیق پس از محاسبه مقادیر GRI طی دوره آماری(1363-1390) در جنوب استان قزوین.و بررسی ارتباط آن با پارامترهای هواشناسی (بارندگی, دبی, تبخیروتعرق پتانسیل, دما (میانگین, ماکزیمم, مینیمم)) و سیگنالهای اقلیمی ( MEI, SOI, AMM, AMO و PDO), با استفاده از آزمون گاما در سه ساختار ترکیب ورودی, اقدام به مدل سازی با شبکه عصبی مصنوعی گردید. نتایج نشان داد که سیگنال اقلیمی SOI و پارامترهای دمایی دارای بیشترین همبستگی معنی دار با مقادیر GRI می باشند. استفاده از پارامترهای هواشناسی نیز سبب بهبود عملکرد شبکه عصبی گردید. همچنین مدل سریزمانیARIMA(1, 1, 3)(2, 0, 1) با توجه به معیارهای ارزیابی آکاییک و شوارتز به عنوان مدل منتخب تعیین گردید. در نهایت نیز مدل سازی با مدل ترکیبی ANN-ARIMA انجام گرفت که عملکرد بهتری نسبت به دو مدل شبکه عصبی و سری زمانی نشان داد. (R2=0. 94, RMSE= 0. 05)

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    مقصود، فاطمه، یزدانی، محمدرضا، رحیمی، محمد، ملکیان، آرش، و ذوالفقاری، علی اصغر. (1395). مقایسه کارایی مدل شبکه عصبی مصنوعی, سری زمانی و مدل ترکیبی ANN-ARIMA در مدلسازی و پیش بینی شاخص منبع آب زیرزمینی (GRI) (مطالعه موردی: جنوب استان قزوین). مجله علوم و مهندسی آبخیزداری ایران، 10(33 )، 47-57. SID. https://sid.ir/paper/134898/fa

    Vancouver: کپی

    مقصود فاطمه، یزدانی محمدرضا، رحیمی محمد، ملکیان آرش، ذوالفقاری علی اصغر. مقایسه کارایی مدل شبکه عصبی مصنوعی, سری زمانی و مدل ترکیبی ANN-ARIMA در مدلسازی و پیش بینی شاخص منبع آب زیرزمینی (GRI) (مطالعه موردی: جنوب استان قزوین). مجله علوم و مهندسی آبخیزداری ایران[Internet]. 1395؛10(33 ):47-57. Available from: https://sid.ir/paper/134898/fa

    IEEE: کپی

    فاطمه مقصود، محمدرضا یزدانی، محمد رحیمی، آرش ملکیان، و علی اصغر ذوالفقاری، “مقایسه کارایی مدل شبکه عصبی مصنوعی, سری زمانی و مدل ترکیبی ANN-ARIMA در مدلسازی و پیش بینی شاخص منبع آب زیرزمینی (GRI) (مطالعه موردی: جنوب استان قزوین)،” مجله علوم و مهندسی آبخیزداری ایران، vol. 10، no. 33 ، pp. 47–57، 1395، [Online]. Available: https://sid.ir/paper/134898/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button