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

مقایسه دقت مدل های شبکه عصبی مصنوعی(ANN) و رگرسیونی (OLS) در برآورد سیلاب (مطالعه موردی: حوضه فاروب رومان نیشابور)

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۲۳۸ | نظرات: ۰
سال انتشار: ۱۳۹۳
کد COI مقاله: NCGTSD01_330
زبان مقاله: فارسی
حجم فایل: ۶۰۰.۷۱ کیلوبایت (فایل این مقاله در ۱۰ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۱۰ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳,۰۰۰ تومان 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 ۱۰ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله مقایسه دقت مدل های شبکه عصبی مصنوعی(ANN) و رگرسیونی (OLS) در برآورد سیلاب (مطالعه موردی: حوضه فاروب رومان نیشابور)

  شیما ترحمی - دانشگاه آزاد اسلامی واحد تربت جام، گروه مهندسی آبخیزداری، تربت جام، ایران
  محمدرضا خالقی - دانشگاه آزاد اسلامی واحد تربت جام، باشگاه پژوهشگران جوان و نخبگان، تربت جام، ایران
  سیدهاشم حسینی - دانشگاه آزاد اسلامی واحد تربت جام، گروه مهندسی آبخیزداری، تربت جام، ایران

چکیده مقاله:

در این تحقیق از روابط رگرسیونی و تکنیک شبکه عصبی مصنوعی جهت برآورد دبی پیک لحظه ای سیلاب حوضه فاروبرومان نیشابور با استفاده از آمار فیزیوگرافی و اقلیمی ایستگاه های مجاور آن استفاده شده است. به این منظور با بررسیایستگاه های سینوپتیک،کلیماتولوژی و هیدرومتری اطراف حوضه آبخیز مورد نظر، تعداد 17 ایستگاه که حداقل 27 سالآمار روزانه داشتند انتخاب و داده های مساحت ، محیط، ارتفاع متوسط ،شیب ابراهه اصلی،شیب متوسط حوضه، طول ابراههاصلی ، زمان تمرکز، ضریب گراویلیوس و متوسط بارندگی سالیانه بعنوان ورودی مدل و دبی پیک سیلاب بعنوان خروجیمدل استفاده شد . ابتدا دبی پیک لحظه ای با روابط رگرسیونی برآورد گردید سپس برای ایجاد مدل شبکه عصبی 70% دادهها برای اموزش مدل (training) و 30% باقی مانده برای ازمایش ان (testing) بکار رفت. در نهایت بمنظور مقایسه نتایج وارزیابی کارایی روش های ذکر شده در برآورد دبی پیک لحظه ای ، از ضریب همبستگی و ریشه حداقل میانگین مربعات خطااستفاده گردید. نتایج نشان داد که تکنیک شبکه عصبی مصنوعی نسبت به روش های رگرسیونی در برآورد دبی پیک لحظهای سیلاب برتری دارد . براساس این نتایج می توان مشکل کوتاه بودن دوره آماری مربوط به داده های دبی حداکثر لحظه ایدر ایستگاه ها را با روش شبکه عصبی مصنوعی برطرف کرد و با دقت بالایی دبی سیلاب حوضه آبخیز را پیش بینی نمود.

کلیدواژه‌ها:

دبی پیک سیلاب، شبکه عصبی مصنوعی، مدل رگرسیونی، ضریب همبستگی، ریشه حداقل میانگین مربعات خطا، نیشابور

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-NCGTSD01-NCGTSD01_330.html
کد COI مقاله: NCGTSD01_330

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:
ترحمی, شیما؛ محمدرضا خالقی و سیدهاشم حسینی، ۱۳۹۳، مقایسه دقت مدل های شبکه عصبی مصنوعی(ANN) و رگرسیونی (OLS) در برآورد سیلاب (مطالعه موردی: حوضه فاروب رومان نیشابور)، اولین کنفرانس ملی جغرافیا، گردشگری، منابع طبیعی و توسعه پایدار، تهران، موسسه ایرانیان، قطب علمی برنامه ریزی وتوسعه پایدار گردشگری دانشگاه تهران، https://www.civilica.com/Paper-NCGTSD01-NCGTSD01_330.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: (ترحمی, شیما؛ محمدرضا خالقی و سیدهاشم حسینی، ۱۳۹۳)
برای بار دوم به بعد: (ترحمی؛ خالقی و حسینی، ۱۳۹۳)
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 :

  • اداره منابع طبیعی استان خراسان رضوی ...
  • اداره آب منطقه ای استان خراسان رضوی ...
  • اداره هواشناسی استان خراسان رضوی ...
  • پناهی ع و علیجانی ب. ۱۳۹۲. پیش بینی دبی اوج ... (مقاله ژورنالی)
  • سلیمی کوچی _ قوهستانی س.۱۳۹۰. کاربرد تکنیک شبکه عصبی مصنوعی ... (مقاله کنفرانسی)
  • شادمانی و همکاران (۱۳۹۰). مدلسازی منطقه ای دی سیلای در ... (مقاله ژورنالی)
  • نگارش ح و همکاران.۱۳۹۱. کاربرد شبکه عصبی مصنوعی در شبیه ... (مقاله ژورنالی)
  • بایزیدی ا.۱۳۹۰.روشهای آماری در علوم انسانی خرداد ماه ۱۳۹۰، انتشارات ...
  • کوچک زاده م و بهمنی ع . ۱۳۸۴. ارزیابی عملکرد ... (مقاله ژورنالی)
  • کیا، مصطفی(۱۳۸۷) شبکه های عصبی Matlabدر .تهران. انتشارات کیان رایانه. ...
  • البرزی م .۱۳۸۱.اشنایی با شبکه های عصبی مصنوعی .انتشارات دانشگاه ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: ۵۶۲
    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

    این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
  • مدیریت بحران > سیلاب
  • 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.