توسعه مدل تلفیقی غیرخطی پیش بینی خشکسالی مبتنی بر شبکه عصبی مصنوعی و تبدیلات موجک: مطالعه موردی: زیرحوضه سد زاینده رود
محل انتشار: دومین کنفرانس مدیریت منابع آب
سال انتشار: 1385
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,385
فایل این مقاله در 8 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:
WRM02_146
تاریخ نمایه سازی: 2 مرداد 1385
چکیده مقاله:
خشکسالی پدیده ای آرام و بخش طبیعی از اقلیم هر منطقه است. پیش بینی خشکسالی نقش مهمی در مدیریت منابع آب و کاهش خسارات خشکسالی ایفا می نماید. توانایی بالای شبکه های عصبی مصنوعی در مدل سازی و پیش بینی سری های زمانی نامانا و غیر خطی در مهندسی آب به اثبات رسیده است و تبدیلات موجک با تجزیه ساختن سری های زمانی به مولفه های قطعی و غیر قطعی سبب بهبود عملکرد شبکه های عصبی در پیش بینی ها می شود. در این مقاله ، مدل تلفیقی مبتنی بر شبکه های عصبی مصنوعی و تبدیلات موجک برای پیش بینی های 1، 3 و 6 ماهه خشکسالی ارائه میگردد. در مدل تلفیقی پیشنهاد شده، نخست سری های زمانی شاخص خشکسالی موثر ماهانه به زیر مولفه ها تجزیه شده و سپس این زیر مولفه به کمک مدل های شبکه عصبی مصنوعی پیش بینی می گردند. برای ساخت الگوهای ورودی شبکه از بارش ماهانه و شاخص بارش استاندارد شده نیز بهره گرفته شده است. نتایج به دست آمده از این مدل تلفیقی برای 4 ایستگاه چلگرد، قلعه شاهرخ، دامنه فریدن و سد زاینده رود واقع در حوزه آبریز سد زاینده رود نشا ن دهنده کارایی این مدل های تلفیقی در بهبود دقت پیش بینی های 1، 3و6 ماهه خشکسالی نسبت به مدل های شبکه عصبی مصنوعی می باشد.
کلیدواژه ها:
خشکسالی هواشناختی ، پیش بینی ، شاخص خشکسالی موثر ، شبکه عصبی مصنوعی ، تبدیلات موجک ، حوزه آبریز سد زاینده رود
نویسندگان
احمد ابریشم چی
استاد دانشکده مهندسی عمران، دانشگاه صنعتی شریف
حسین مهدیخانی
کارشناس ارشد مهندسی منابع آب، دانشکده مهندسی عمران، دانشگاه صنعتی ش
مسعود تجریشی
دانشیار دانشکده مهندسی عمران، دانشگاه صنعتی شریف
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 :