سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,533
تعداد مقالات70,508
تعداد مشاهده مقاله124,128,172
تعداد دریافت فایل اصل مقاله97,235,599
معتمدنیا, محبوبه, نوحه گر, احمد, ملکیان, آرش, صابری اناری, مریم. (1396). تأثیر ساختارها و ورودی‌های مختلف شبکه‌های عصبی مصنوعی در تخمین دبی روزانۀ حوزۀ آبخیز معرّف امامه. , 70(4), 1045-1066. doi: 10.22059/jrwm.2018.135478.930
محبوبه معتمدنیا; احمد نوحه گر; آرش ملکیان; مریم صابری اناری. "تأثیر ساختارها و ورودی‌های مختلف شبکه‌های عصبی مصنوعی در تخمین دبی روزانۀ حوزۀ آبخیز معرّف امامه". , 70, 4, 1396, 1045-1066. doi: 10.22059/jrwm.2018.135478.930
معتمدنیا, محبوبه, نوحه گر, احمد, ملکیان, آرش, صابری اناری, مریم. (1396). 'تأثیر ساختارها و ورودی‌های مختلف شبکه‌های عصبی مصنوعی در تخمین دبی روزانۀ حوزۀ آبخیز معرّف امامه', , 70(4), pp. 1045-1066. doi: 10.22059/jrwm.2018.135478.930
معتمدنیا, محبوبه, نوحه گر, احمد, ملکیان, آرش, صابری اناری, مریم. تأثیر ساختارها و ورودی‌های مختلف شبکه‌های عصبی مصنوعی در تخمین دبی روزانۀ حوزۀ آبخیز معرّف امامه. , 1396; 70(4): 1045-1066. doi: 10.22059/jrwm.2018.135478.930

تأثیر ساختارها و ورودی‌های مختلف شبکه‌های عصبی مصنوعی در تخمین دبی روزانۀ حوزۀ آبخیز معرّف امامه

نشریه علمی - پژوهشی مرتع و آبخیزداری
مقاله 17، دوره 70، شماره 4، دی 1396، صفحه 1045-1066    اصل مقاله (17.92 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jrwm.2018.135478.930
نویسندگان
محبوبه معتمدنیا* 1؛ احمد نوحه گر2؛ آرش ملکیان3؛ مریم صابری اناری4
1دکتری علوم و مهندسی آبخیزداری
2استاد گروه آموزش، برنامه‌ریزی و مدیریت محیط زیست، دانشکدۀ محیط زیست، دانشگاه تهران
3دانشیار گروه احیا مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران
4مربی دانشکاه فنی و حرافه ای، یزد
چکیده
یکی از مهم­ترین محاسبات هیدرولوژیک در یک اکوسیستم، تعیین ارتباط بین بارش و رواناب است. به طوری ­که بررسی فرایندهای به­وقوع پیوسته در آن و برآورد خروجی­های مهّم حوزه از قبیل سیلاب و رسوب از مهّم­ترین هدف­های یک پروژۀ آبخیزداری تلقی می­شود. به دلیل ویژگی­های متغیر زمانی و مکانی وقایع در چرخۀ آبی، روابط غیر خطی و عدم قطعیت، هیچ کدام یک از مدل­های آماری و مفهومی نتوانسته به­عنوان یک مدل برتر و توانا کارگشا باشد. اما امروزه استفاده از شبکه­های غیرخطی به­عنوان سامانه­های هوشمند در پیش­بینی چنین پدیده­های پیچیده و حل بسیاری از مشکلات اکوهیدرولوژی می­تواند مفید و مؤثر باشد. به این منظور از داده­های روزانۀ بارندگی، دما، تبخیر و تعرق، رطوبت نسبی و همچنین دبی در مقیاس روزانه و در دورۀ زمانی مشترک 42 ساله و بررسی 62 ساختار پیشنهادی مختلف در حوزۀ آبخیز معرّف امامه استفاده شد. در این راستا و به منظور مقایسه از شبکه­های عصبی پرسپترون چند­لایه و تابع پایۀ شعاعی استفاده گردید. نتایج نشان داد که از بین بیش از 6000 مدل موجود در تخمین دبی رودخانه، مدل 54 با ساختار 1-8-9-8 و ورودی­های دما، رطوبت نسبی، بارندگی و تأخیر بارندگی و دبی تا دو روز بوده و با روش پرسپترون چند­لایه دارای بهترین عملکرد بوده است. میزان خطای مدل مذکور برابر با 03/0، 18/0 و 04/0 در مرحلۀ مدلسازی و آموزش و 02/0، 14/0 و 02/0 در مرحلۀ آزمایش برای معیارهای ارزیابی به ترتیب شامل میانگین مربعات خطا (MSE)، مجذور میانگین مربعات خطا (RMSE)، میانگین مطلق خطا (MAE) بوده است.
کلیدواژه‌ها
الگوریتم پس‌انتشار خطا؛ شبکۀ عصبی مصنوعی؛ حوزۀ آبخیز معرّف امامه؛ رابطۀ بارش- رواناب
مراجع
آمار
تعداد مشاهده مقاله: 402
تعداد دریافت فایل اصل مقاله: 416


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب