تحلیل منطقهای دبی حد آستانه خشکسالی با استفاده ازشبکه عصبی مصنوعی در حوزه آبخیز دریاچه نمک

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 636

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

SDCONF01_1298

تاریخ نمایه سازی: 28 اردیبهشت 1392

چکیده مقاله:

هدف از این تحقیق، ارائه مدلی با استفاده از شبکهی عصبی مصنوعی است که روابط بین دبی حد آستانه خشکسالی وعوامل بهوجود آورندهی آنها را بیان کند و با استفاده از این مدلها، دبی حد آستانه خشکسالی را در حوزههای بدون آمار را برآورد نمود. برای این منظور 33 حوزه آبخیز در محدوده دریاچه دریاچه نمک کهآمار آبسنجی مناسبی داشتهاند انتخاب گردیدند، دبی حد آستانه خشکسالی به عنوان متغیرهای وابسته و متغیرهای فیزیوگرافی، هواشناسی و زمینشناسی به عنوانمتغیرهای مستقل در نظر گرفته شدند. با استفاده از تحلیل عاملی شش عامل مساحت، ارتفاع متوسط، طول آبراهه اصلی، تراکم زهکشی، درصد سازندهای نفوذپذیر ودرصد اراضی مرتعی انتخاب و در مرحله بعد با استفاده از شبکه عصبی پرسپترون چند لایه با تابع یادگیری لونبرگ مارکوت و با توابع انتقال سیگموئید و تانژانت هیپربولیک در لایه پنهان و تابع انتقال خطی در لایه خروجی به تحلیل منطقهای دبی حد آستانه خشکسالی پرداخته شد. نتایج نشان داد که شبکه عصبی مصنوعی با تابع انتقال سیگموئید در مرحله آزمون باضریب تبیین0/77ریشه میانگین مربعات خطا 0/21و ضریب کارایی 0/93نسبت به تابع انتقال تانژانت هیپربولیک باضریب تبیین 0/47ریشه میانگین مربعات خطا 1/42و ضریب کارایی 0/37توانسته است با دقت بالایی دبی حد آستانه خشکسالی را پیش بینی کند که این موضوع عملکردخوب شبکه عصبی را در پیش بینی متغیرهای هیدرولوژیکی می رساند

کلیدواژه ها:

نویسندگان

سعید خسروبیگی بزچلویی

دانشجوی کارشناسی ارشد رشته آبخیزداری، دانشگاه تربیت مدرس

مهدی وفاخواه

استادیار گروه آبخیزداری، دانشگاه تربیت مدرس

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 :
  • خزایی محمد رضا، اری عبدالرسول، تحلیل توزیع فراوانی خشکسالی هیدرولوژیک ...
  • سعدالدین امیر، خلاصه گزارش طرح تجزیه و تحلیل میان آبرهه‌ای ...
  • علیزاده امین، مفهوم هیدرولوژی خشکسالی‌ها و روش‌های پیش‌بینی آن، مجله ...
  • مهدوی محمد، هیدرولوژی کاربردی _ جلد دوم، چاپ ششم، انتشارات ...
  • وفاخواه مهدی، برآورد فراوانی منطقه‌ای جریان‌های حداقل رودخانه‌های فصلی (مطالعه ...
  • American Meteorological Society (AMS), 2004. Statement _ meteorological drought, Bull. ...
  • Beran, M.A., Gustard, A.. 1977. A study into the low-flow ...
  • Clausen, B., Pearson, C.P., 1995. Regional frequency analysis of annual ...
  • Grigg, N.S., 1994. Water resource management, McGraw Hill, 420 p. ...
  • Hecht NR and Kolmogorov S. 1987. Mapping neural network existence ...
  • Hisdal, H., Tallaksen, L.M., 2003. Estimation of regional meteorological and ...
  • Khanna, T. 1990. Foundations of neural networks. Addi son-Wesley Publication, ...
  • Laaha, G.. Bloschl, G., 2006. A comparison of low flow ...
  • Mishra, A.K., Singh V.P., 2010. A review of drought concepts, ...
  • Nilsson, P. Uvo C. Bentsen, R. 2005.Monthly runoff simulation: comparing ...
  • Shamseldin, A.Y. 1 997 .Application of a neural network technique ...
  • Sajikumar, N. and Th andaveswara B.S. 1999. A non-Linear rainfall-runof ...
  • Shu, C. Bum, D. H. 2004.Artificia neural network ensembles and ...
  • Shu, C., Ouarda, T., 2008. Regional flood frequency analysis at ...
  • Smakhtin, V.U. 2001. Low flow hydrology: a review, Journal of ...
  • Wang, W.C. Chau, K.W. Cheng, Ch T. Qiu, L. 2009. ...
  • Wilhite, D.A., Glantz M.H., 1985. Understanding the drought phenomenon: the ...
  • Vafakhah, M. 20 12.Application of artificial neural networks and adaptive ...
  • نمایش کامل مراجع