دوره 8، شماره 16 - ( پاییز و زمستان 1396 )                   جلد 8 شماره 16 صفحات 44-52 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Study of Correlations between Climatic Parameters and Flood of the Maroon River Basin and flood Prediction by Smart Neural Network. jwmr. 2018; 8 (16) :44-52
URL: http://jwmr.sanru.ac.ir/article-1-902-fa.html
فتوحی صمد، جوجی زاده خدیجه، نصیری مریم، اورک ناصر. بررسی همبستگی میان پارامترهای اقلیمی و سیلاب حوزه رودخانه مارون و پیش‌بینی سیلاب به کمک شبکه هوشمند عصبی. پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1396; 8 (16) :44-52

URL: http://jwmr.sanru.ac.ir/article-1-902-fa.html


کارشناسی ارشد
چکیده:   (493 مشاهده)
سیل از جمله بلایای طبیعی مهمی است که هر ساله باعث ایجاد خسارت‌های مالی و جانی شدیدی به جوامع بشری می‌شود. به ویژه در مناطقی همچون حوزه رودخانه مارون که دارای تغییرات زیاد دما و بارش است، همه ساله شاهد سیلاب های شدید و فراوانی هستیم. پژوهش حاضر با هدف شناخت پارامترهای اقلیمی مؤثر بر سیلاب منطقه، می‌تواند با کارآمدی شبکه عصبی مصنوعی، روش‌های مناسب‌تری را در پیش‌بینی این رخداد به­کار ببندد. روش به­کار رفته در این پژوهش جهت پیش­بینی این فرایند، شبکه ­های عصبی پرسپترون چند لایه و توابع پایه شعاعی می‌باشد که نتایج این دو شبکه عصبی با رگرسیون چندگانه مقایسه گردیده است. بدین منظور داده‌های روزانه اقلیمی چهار ایستگاه ایدنک، دوگنبدان، دهدشت و یاسوج شامل میانگین دمای خشک، بیشینه دما، کمینه دما، تبخیر، بارش، میانگین رطوبت، کمینه رطوبت، بیشینه رطوبت و ... طی یک دوره 16ساله (اول مهر 1373 تا آخر شهریور 1388) به‌کار گرفته شد. با بررسی همبستگی بین این پارامترهای اقلیمی و دبی رودخانه مارون پارامترهای مؤثر بر سیلاب تعیین گردید. از رگرسیون چندگانه جهت تعیین ورودی‌های مؤثر بر سیلاب و مقایسه نتایج با شبکه عصبی استفاده گردیده است. بررسی نتایج نشان می‌داد که شبکه عصبی پرسپترون چندلایه با الگوریتم آموزش پس انتشار خطا دارای همبستگی 73/0 در مرحله آموزش و 68/0 در مرحله آزمایش و میزان نرمال شده ریشه میانگین مربعات خطا (NRMSE) در مرحله آموزش 57/0 و در مرحله آزمایش 66/0 به­عنوان بهترین مدل جهت پیش­بینی سیلاب شناخته شد. مقایسه نتایج شبکه عصبی و رگرسیون نشان می‌داد که شبکه عصبی دارای میزان همبستگی بالاتری نسبت به رگرسیون می‌باشد و همچنین در شبکه عصبی داده‌های واقعی و داده‌های پیش‌بینی شده دارای انطباق بیشتری نسبت به مدل رگرسیون انجام شده می‌باشد. 
متن کامل [PDF 1355 kb]   (148 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: ۱۳۹۶/۱۱/۹ | پذیرش: ۱۳۹۶/۱۱/۹ | انتشار: ۱۳۹۶/۱۱/۹

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA code

کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2018 All Rights Reserved | Journal of Watershed Management Research

Designed & Developed by : Yektaweb