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

مقاله مقاله نشریه

مشخصات مقاله

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:

63
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

3
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

مقایسه مدل های آموزش عمیق در پیش بینی جریان رودخانه در غرب کشور و بر روی رودخانه کشکان

صفحات

 صفحه شروع 1 | صفحه پایان 19

چکیده

 شبیه سازی جریان رودخانه به با دقت بالا لازمه علم مدیریت رودخانه می باشد. در مواجه با چالش قدیمیِ مدلسازی روزانه جریان رودخانه, آموزش عمیق به عنوان ابزاری نوین مطرح شده است. در مطالعه حاضر, با تمرکز بر انتخاب سناریوی مناسب از ورودی هایِ مدل آموزشِ عمیق, شبیه سازی جریان روزانه رودخانه کشکان در چندین نوبت به روش آموزش عمیق LSTM و  GRUانجام شده است. پیش از این, مدلسازی آموزش عمیق به­روش GRU و با استفاده از داده های بومی اندازه گیری جریان رودخانه انجام نشده است. منطقه, مستعد سیل و کوهستانی بوده و ایستگاه هیدرومتری با سابقه وقوع سیل, واقع بر روی رودخانه کشکان انتخاب شده است. با استفاده از 4 رویکرد از روش های حذف داده های پرت, ورودی به دو مدل LSTM وGRU انتخاب شده و هشت مدل تولید شده است. ورودی های ممکنه, عبارت بوده است از میانگین بارش منطقه, شاخص پوشش گیاهی نرمال شده, رطوبت خاک سطحی, جریانات آب زیرزمینی و همچنین خود جریان رودخانه کشکان در ایستگاه هیدرومتری. نتایج نشان داد بهترین عملکرد را به ترتیب, مدل GRU با ورودی های اصلاح شده به روش حذف Z-Score, ماهالانوبیس با مقادیر RMSE میانگین و KGE و 41/5 و 99/0 و 23/6 و 7/0 در آموزش و 17/8 و79/0و 21/4 و 81/0در اعتبارسنجی و 01/5 و 68/0 و21/7 و 52/0و در مرحله تست می باشند. نتایج, روش LSTM را در شبیه سازی جریان رد نمی کند, اما سناریوهای برشمرده شده در روش GRU قدرت بالاتری در تشخیص الگوی پیچیده جریان روزانه رودخانه نشان دادند.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • 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