پیشبینی روزانه بارش با استفاده از مدلهای ANNs و ANFIS
محل انتشار: اولین کنفرانس ملی هواشناسی و مدیریت آب کشاورزی
سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,808
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NCAGM01_061
تاریخ نمایه سازی: 7 آذر 1391
چکیده مقاله:
پیشبینی بارش به عنوان یک پدیده آب و هوایی، نقش مهمی در مطالعات پیشبینی سیلاب، منابع آب و مدیریت حوضه آبخیز دارد. روشهای پیشبینی بارش را می توان به دو گروه تقسیم کرد: روشهای آماری و مدلهای عددی پیشبینی یا NWP به دلیل خصوصیات غیرخطی پدیده بارش، مدلهای آماری نمی توانند نتایج مناسبی ایجاد کنند. همچنین شرایط اقلیمی محلی در فرآیند بارش تاثیرگذار است و مدلهای NWP نمیتوانند این مشکل را حل کنند. اخیرا، تکنیکهای هوش مصنوعی به دلیل توانایی و انعطاف پذیری که در مدلسازی فرآیند غیرخطی بارش دارا می باشد جهت پیش بینی بارش مورد استفاده قرار گرفته است. در این مقاله بارش در زیرحوضه قلعه شاهرخ واقع در بالادست سد زاینده رود با استفاده از شبکه های عصبی مصنوعی (ANNs) و سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) برای یک دوره 10 ساله (1388-1378) پیش بینی شده است. همچنین بهترین ترکیب ورودی با استفاده از گاما تست مشخص گردید. نتایج نشان میدهد که مدل ANFIS با ضریب تعیین برابر 0/9293 و RMSE برابر با 0/7158 در دوره ارزیابی می تواند بهتر از سایر مدلها بارش را پیشبینی کند. همچنین نتایج نشان میدهد که پیشبینی بارش بر اساس پردازش ترکیب ورودی عملکرد بهتری در مقایسه با پیش بینی بدون پردازش ترکیب وروردی داشته است.
کلیدواژه ها:
نویسندگان
الهام کاکائی
دانشجوی کارشناسی ارشد آبخیزداری، دانشگاه زابل.
علیرضا مقدم نیا
دانشیار گروه مهندسی مرتع و آبخیزداری دانشگاه زابل.
احمد پهلوانروی
استادیار گروه مهندسی مرتع و آبخیزداری دانشگاه زابل.
آزاده احمدی
استادیار گروه مهندسی عمران آب دانشگاه صنعتی اصفهان.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :