پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,099,268 |
| تعداد دریافت فایل اصل مقاله | 97,206,805 |
استفاده از تئوری آنتروپی و آزمون گاما در تعیین متغیر‌های ورودی برای تخمین تبخیر روزانه (مطالعۀ موردی: ایستگاه های سینوپتیک رشت، بندرانزلی و آستارا) | ||
| اکوهیدرولوژی | ||
| مقاله 15، دوره 5، شماره 2، تیر 1397، صفحه 535-549 اصل مقاله (1.37 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2017.239442.699 | ||
| نویسندگان | ||
| سید مصطفی بی‌آزار1؛ محمدعلی قربانی* 2؛ صابره دربندی3 | ||
| 1دانشجوی دکتری مهندسی منابع آب، دانشکدۀ کشاورزی، دانشگاه تبریز | ||
| 2دانشیار گروه مهندسی منابع آب، دانشکدۀ کشاورزی، دانشگاه تبریز | ||
| 3استادیار گروه مهندسی منابع آب، دانشکدۀ کشاورزی، دانشگاه تبریز | ||
| چکیده | ||
| در این تحقیق قابلیت تئوری آنتروپی و آزمون گاما برای تعیین ورودی مدلهای شبکۀ عصبی مصنوعی و ماشین بردار پشتیبان به منظور تخمین تبخیر ایستگاه‌های سینوپتیک رشت، آستارا و بندر انزلی در استان گیلان بررسی شده است. با توجه به نتایج پژوهش، برای ایستگاه‌های سینوپتیک رشت، آستارا و انزلی، تئوری آنتروپی وجود همۀ متغیرها را در مدلسازی مؤثر تشخیص داده است. آزمون گاما برای ایستگاه رشت دو متغیر رطوبت حداکثر و رطوبت متوسط، برای ایستگاه انزلی سه متغیر دمای حداقل، دمای متوسط و رطوبت متوسط و برای ایستگاه آستارا یک متغیر سرعت باد را از ترکیب بهینه خارج کرد. بنا بر نتایج، عملکرد هر دو مدل شبکۀ عصبی مصنوعی و ماشین بردار پشتیبان در هر دو بخش قابل قبول بوده است. در تعیین تک‌ورودی در ایستگاه رشت روش تئوری آنتروپی و در ایستگاه انزلی روش آزمون گاما بهتر عمل کردهاند. برای ایستگاه آستارا هر دو روش عملکرد مناسبی داشتهاند. به طور کلی، با توجه به نتایج میتوان گفت که تئوری آنتروپی نسبت به آزمون گاما عملکرد قویتری داشته است. | ||
| کلیدواژه‌ها | ||
| آزمون گاما؛ آنتروپی؛ استان گیلان؛ تبخیر روزانه؛ مدل تخمین | ||
| مراجع | ||
|
[1]. Ejlali F, Weather and climatology. Iran: Payamnoor University Press; 2004. (In Persian) [2]. Nourani V, Baghanam AH, Adamowski J, Kisi O. Applications of hybrid wavelet–Artificial Intelligence models in hydrology: A review. Journal of Hydrology. 2014; 514:358-77. [3]. Ahmadi A, Han D, Karamouz M, Remesan R. Input data selection for solar radiation estimation. Hydrological processes. 2009; 23(19):2754-64. [4]. Moghaddamnia A, Gousheh MG, Piri J, Amin S, Han D. Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Advances in Water Resources. 2009; 32(1):88-97. [5]. Sharifi A, Dinpashoh Y, Mirabbasi R. Daily runoff prediction using the linear and non-linear models. Water Science and Technology. 2017:wst2017234. [6]. Seefi A, Mirlatifi M, Reahi H. Introduction and application of Least Square Support Vector Machine (LSSVM) for simlulation of reference evaporation and uncertainty analysis of results, a case study fo the Kerman city.Irrigation & Water Engineering. 2013; 13 (5):67-78. (In Persian) [7]. Kim S, Shiri J, Kisi O, Singh VP. Estimating daily pan evaporation using different data-driven methods and lag-time patterns. Water resources management. 2013; 27(7):2267-86. [8]. Goyal MK, Bharti B, Quilty J, Adamowski J, Pandey A. Modeling of daily pan evaporation in sub-tropical climates using ANN, LS-SVR, Fuzzy Logic, and ANFIS. Expert systems with applications. 2014; 41(11):5267-76. [9]. Tezel G, Buyukyildiz M. Monthly evaporation forecasting using artificial neural networks and support vector machines. Theoretical and applied climatology. 2016; 124(1-2):69-80. [10]. Kisi O. Pan evaporation modeling using least square support vector machine, multivariate adaptive regression splines and M5 model tree. Journal of Hydrology. 2015; 528:312-20. [11]. Kisi O, Genc O, Dinc S, Zounemat-Kermani M. Daily pan evaporation modeling using chi-squared automatic interaction detector, neural networks, classification and regression tree. Computers and Electronics in Agriculture. 2016; 122:112-7. [12]. Keshtegar B, Piri J, Kisi O. A nonlinear mathematical modeling of daily pan evaporation based on conjugate gradient method. Computers and Electronics in Agriculture. 2016; 127:120-30. [13]. Sharifi A.R, Dinpashih Y, Fahkerifard A, Moghadamnia, AR. Optimum combination of variables for runoff simulation in Amameh Watershed using Gamma Test, Journal of Soil and Water. 2013; 23(3):72-59. (In Persian) [14]. Durrant PJ. winGamma: A non-linear data analysis and modelling tool with applications to flood prediction. Unpublished PhD thesis, Department of Computer Science, Cardiff University, Wales, UK. 2001 Jun 25. [15]. Evans D, Jones AJ. A proof of the Gamma test. InProceedings of the Royal Society of London a: Mathematical, Physical and Engineering Sciences 2002 Nov 8 (Vol. 458, No. 2027, pp. 2759-2799). The Royal Society. [16]. Shannon C. E, & Weaver W, Urban:University of Illinois Press; 1949. [17]. Dawson CW, Abrahart RJ, Shamseldin AY, Wilby RL. Flood estimation at ungauged sites using artificial neural networks. Journal of hydrology. 2006; 319(1):391-409.
[18]. Harmancioglu NB, Alpaslan N. WATER QUALITY MONITORING NETWORK DESIGN: A PROBLEM OF MULTI‐OBJECTIVE DECISION MAKING. JAWRA Journal of the American Water Resources Association. 1992; 28(1):179-92.
[19]. Coulibaly P, Anctil F, Bobee B. Daily reservoir inflow forecasting using artificial neural networks with stopped training approach. Journal of Hydrology. 2000; 230(3):244-57.
[20]. ASCE Task Committee. Artificial neural networks in hydrology. I: Preliminary concepts. Journal of Hydrologic Engineering. 2000; 5(2):115-23.
[21]. Kavzoglu T, Colkesen I. A kernel functions analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation. 2009; 11(5):352-9.
[22]. Nash J.E, Sutcliffe I.V. River flow forecasting through conceptual models, Part I, A discussion of principles, Journal of Hydrology. 1970; 10(2):282-290. | ||
|
آمار تعداد مشاهده مقاله: 879 تعداد دریافت فایل اصل مقاله: 470 |
||