CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

Rainfall Forecasting in Space and Time via ANNs

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۱۳۸۰ | نظرات: ۰
سرفصل ارائه مقاله: Water Resources, Geotechnics and Transportation
سال انتشار: ۱۳۸۲
کد COI مقاله: ICCE06_436_8877049249
زبان مقاله: انگلیسی
حجم فایل: ۱۴۰.۲۴ کیلوبایت (فایل این مقاله در ۸ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۸ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳۰,۰۰۰ ریال بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۸ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Rainfall Forecasting in Space and Time via ANNs

   M. Nasseri - Department of Civil Engineering, Isfahan University of Technology, Isfahan, Iran
   K. Asghari - Department of Civil Engineering, Isfahan University of Technology, Isfahan, Iran
   M. J. Abedini - Department of Civil Engineering, Shiraz University, Shiraz, Iran

چکیده مقاله:

Simulation of rainfall field plays important roles in water resources studies.River training works and design of flood warning systems are usually confronted by the fact that historical rainfall data are insufficient and sparse in spatial domain for analysis and decision-making purposes. Both internal and external characteristics of rainfall field depend on many factors including: pressure, temperature, wind speed and its direction.Recent advanced in artificial intelligence and in particular those techniques aimed at converting input to output for highly nonlinear, non-convex and dimensionalized processes such as rainfall field, provide an alternative approach for development of rainfall forecasting model. Artificial Neural Networks (ANNs), which perform a nonlinear mapping between inputs and outputs, are such a technique.Current literatures on ANNs show that selection of network architecture and its efficient training are major obstacle for their daily usage. In this paper, both feed-forward and recurrent type networks will be developed to simulate the rainfall field and an algorithm so called Radial Basis Function (RBF) coupled with Genetic Algorithm (GA) will be used to train the networks. The technique will be implemented to forecast rainfall for a number of lead-time using rainfall hyetograph of recording rain-gauges in Fars province. Cross-validation will be used to evaluate the prediction performance of the developed technique. Implication of such approach in real-time rainfall forecasting will be highlighted.

کلیدواژه‌ها:

Artificial Neural Networks, Genetic Algorithm, Rainfall Forecasting

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ICCE06-ICCE06_436_8877049249.html
کد COI مقاله: ICCE06_436_8877049249

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
M. Nasseri, ; K. Asghari & M. J. Abedini, ۱۳۸۲, Rainfall Forecasting in Space and Time via ANNs, ششمین کنفرانس بین المللی مهندسی عمران, اصفهان, دانشگاه صنعتی اصفهان, عمران, https://www.civilica.com/Paper-ICCE06-ICCE06_436_8877049249.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (M. Nasseri, ; K. Asghari & M. J. Abedini, ۱۳۸۲)
برای بار دوم به بعد: (M. Nasseri; K. Asghari & M. J. Abedini, ۱۳۸۲)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • Luk, K. G., Ball, J. E. and Sharma, A., ،A ...
  • French, M. N., Krajewski, W. F. and Cuykendall, R. R., ...
  • Govindaraju, R. S., ،Artificial Neural Networks in Hydrology. Part2: Hydrologic ...
  • Haykin, S., ،، Neural networks: A COmp rehensive foundation', Prentice-Hall, ...
  • Imrie, C. E., Durucan, S. and Korre, A., ،River flow ...
  • Holland, J., "Adaptation in natural and artificial systems , University ...
  • Goldberg, D. E., 4Genetic algorithms in search, optimization and machine ...
  • Michalewich, Z., «Genetic Algoritlms + Data Structures _ Evolution Programs ...
  • Montana, D. J. and Daivis, L., *Training feedforward Neural Networks ...
  • Maniezzo, V., 44Genetic evalution of the topology and weight distribution ...
  • Sudheer, K. P., Gosain, A. K. and Ramasatri, K. S., ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۱۱۷۷۵
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.