این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی اکوسیستم بیابان، جلد ۴، شماره ۶، صفحات ۱۵-۲۶
عنوان فارسی بررسی عملکرد شبکه عصبی مصنوعی در پیش‌بینی جریان رودخانه (مطالعه موردی: حوضه قره آغاج استان فارس)
چکیده فارسی مقاله به‌منظور پیش‌بینی جریان رودخانه در حوزه‌های آبخیز طی سالیان متمادی، روش‌های مختلفی ابداع شده که کارایی آن‌ها نیز به اثبات رسیده است. یکی از این مدل‌های شیبه‌سازی، شبکه‌های عصبی مصنوعی است که می‌توانند با دقتی درخور توجه، واقعیات موجود را به تصویر بکشند. در این تحقیق، به‌منظور شبیه‌سازی دبی، به بررسی و تأثیر پارامترهای هواشناسی بر روی جریان رودخانۀ قره‌آغاج پرداخته شد. برای این منظور از آمار دبی، بارش و دمای ماهانه ایستگاه‌های موجود حوزه با طول دورۀ آماری 23 سال (1360ـ1383) استفاده شد. داده‌های موجود پس از نرمال‌سازی، به دو دسته آموزش و تست تقسیم و به 5 صورت متفاوت و 9 مدل با استفاده از شبکۀ عصبی پرسپترون چند لایه با قانون پس انتشار خطا و توابع یادگیریLM و Gdx مورد آزمون قرار گرفتند. بهترین آرایش شبکه با استفاده از تابع یادگیری LM به‌صورت 1-21-9 با مقادیر ضریب همبستگی 1 و 1 و برای تابع یادگیری Gdx نیز به‌صورت 1-13-7 با مقادیر ضریب همبستگی 94/0 و 96/0 به‌ترتیب برای داده‌های آموزش و تست حاصل شد. نتایج حاصل بیانگر تأثیر پارامترهای هواشناسی مانند دما و بارش بر روی جریان خروجی حوزه و اختلاف بسیار ناچیز بین داده‌های شبیه‌سازی‌شده با مقادیر مشاهداتی است. همچنین شبکۀ عصبی در شبیه‌سازی جریان رودخانه با تابع یادگیری LM کارایی بهتری را نشان داد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Investigation of Artificial Neural Network performance in river flow forecasting (Case study: Ghare Aghaj River Basin, Fars Province)
چکیده انگلیسی مقاله In order to river flow forecasting in catchments area in during many years are invented different methods that their efficiency is confirmed. One of these simulation models is neural network that it can draw the existence of truth together with considerable attention. In this research in order to Discharge simulation is investigated meteorological parameters effects on Ghare Aghaj river flow. For this reason it is used monthly discharge, precipitation and temperature data of present stations with statistical period of 23 years, in during 1981 to 2003. The existing data divided into two groups of train and test after normalization and then they were tested with 5 different types and 9 models and by using from multi layer perceptron neural network together with error back propagation law and also LM and Gdx learning functions. The best network arrangement using from LM learning function was prepared in the case of 9-21-1 with correlation coefficient quantities 1 and 1 for train and test data orderly and for Gdx learning function was prepared in the case of 7-13-1 with correlation coefficient quantities of 0.94 and 0.96. The result represents the meteorological parameters effect like temperature and precipitation is clear on output flow and also exist a inconsiderable difference between simulated and observed quantities. Also neural network shows a better efficiency in river flow simulation by LM learning function.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مهدی جلالی | mehdi jalali
university of mazandaran, college of natural resources of sari, iran
دانشگاه مازندران، دانشکده منابع طبیعی ساری
سازمان اصلی تایید شده: دانشگاه علوم کشاورزی و منابع طبیعی ساری

عبدالله پیرنیا | abdollah pirnia
university of natural resources and agricultural sciences of sari
دانشگاه علوم کشاورزی و منابع طبیعی ساری
سازمان اصلی تایید شده: دانشگاه علوم کشاورزی و منابع طبیعی ساری

کریم سلیمانی | karim solaimani
university of natural resources and agricultural sciences of sari, iran
دانشگاه علوم کشاورزی و منابع طبیعی ساری، دانشکده منابع طبیعی
سازمان اصلی تایید شده: دانشگاه علوم کشاورزی و منابع طبیعی ساری

محمود حبیب نژاد روشن | mahmood habibnejad
university of natural resources and agricultural sciences of sari, iran
دانشگاه علوم کشاورزی و منابع طبیعی ساری، دانشکده منابع طبیعی
سازمان اصلی تایید شده: دانشگاه علوم کشاورزی و منابع طبیعی ساری

نشانی اینترنتی http://deej.kashanu.ac.ir/browse.php?a_code=A-10-68-1&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1223/article-1223-222534.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات