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:

1,004
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

163
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

1

اطلاعات مقاله نشریه

عنوان

مقایسه دقت مدل های شبکه عصبی مصنوعی ژئومرفولوژی (GANNs) و رگرسیونی (RM) در برآورد رسوب طالقان رود

صفحات

 صفحه شروع 19 | صفحه پایان 27

چکیده

 شبیه سازی و ارزیابی آورد رسوب رودخانه از جمله مسایل مهم و کاربردی در مدیریت منابع آب می باشد. اندازه گیری غلظت رسوب به روش های متداول عموما مستلزم صرف وقت و هزینه زیادی بوده و گاهی از دقت کافی نیز برخوردار نمی باشد. یکی از روش های نوین در حل مسایل مهندسی منابع آب و رودخانه استفاده از روش شبکه عصبی مصنوعی است که با الگو برداری از شبکه عصبی مغز انسان, ضمن اجرای فرایند آموزش, روابط درونی بین داده ها را استخراج کرده و در موقعیت های دیگر تعمیم می دهد. در این مطالعه از داده های هم زمان دبی آب و دبی رسوب ایستگاه گلینک واقع بر رودخانه طالقان, به همراه یکسری از پارامترهای ژئومرفولوژیک حوزه آبخیز طالقان جهت مدلسازی رسوب معلق روزانه با استفاده از شبکه عصبی مصنوعی استفاده شد. به این منظور بعد از رفع نواقص آماری و حذف داده های پرت, 80 درصد داده ها جهت آموزش و 20 درصد جهت آزمون شبکه مورد استفاده قرار گرفت. پس از استاندارد کردن داده ها با استفاده از داده های سری آموزش, شبکه عصبی با الگوریتم پس انتشار ایجاد شد. هم چنین با استفاده از لگاریتم داده های سری آموزش رابطه رگرسیونی بین داده های دبی آب و رسوب برقرار گردید. به منظور ارزیابی نتایج این دو روش از داده های سری آزمون و از معیارهای RMS, MAE و R2 استفاده شد. نتایج نشان دهنده دقت بالاتر برآورد های مدل شبکه عصبی مصنوعی ژئومرفولوژی (48.5=RMS, MAE=33.25 و 0.89=R2) در مقایسه با برآورد های مدل رگرسیونی (93=RMS, MAE=54.25 و 0.74=R2) می باشد. نتایج حاصل از این تحقیق نشان داد که مدل ANN کارایی و قابلیت بالاتری نسبت به مدل رگرسیونی در برآورد رسوب رودخانه دارد. همچنین استفاده از پارامترهای ژئومرفولوژی موثر در تولید رسوب در ساختار شبکه عصبی مصنوعی, به عنوان ورودی مدل, سبب افزایش دقت تخمین آورد رسوب رودخانه می شود.

استنادها

ارجاعات

استناددهی

APA: کپی

طهمورث، محمد، احمدی، حسن، تقوی، نفیسه، و محمدعسگری، حسین. (1388). مقایسه دقت مدل های شبکه عصبی مصنوعی ژئومرفولوژی (GANNs) و رگرسیونی (RM) در برآورد رسوب طالقان رود. پژوهش های آبخیزداری (پژوهش و سازندگی)، 22(3 (پیاپی 84))، 19-27. SID. https://sid.ir/paper/478289/fa

Vancouver: کپی

طهمورث محمد، احمدی حسن، تقوی نفیسه، محمدعسگری حسین. مقایسه دقت مدل های شبکه عصبی مصنوعی ژئومرفولوژی (GANNs) و رگرسیونی (RM) در برآورد رسوب طالقان رود. پژوهش های آبخیزداری (پژوهش و سازندگی)[Internet]. 1388؛22(3 (پیاپی 84)):19-27. Available from: https://sid.ir/paper/478289/fa

IEEE: کپی

محمد طهمورث، حسن احمدی، نفیسه تقوی، و حسین محمدعسگری، “مقایسه دقت مدل های شبکه عصبی مصنوعی ژئومرفولوژی (GANNs) و رگرسیونی (RM) در برآورد رسوب طالقان رود،” پژوهش های آبخیزداری (پژوهش و سازندگی)، vol. 22، no. 3 (پیاپی 84)، pp. 19–27، 1388، [Online]. Available: https://sid.ir/paper/478289/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