حمیده افخمی؛ اعظم حبیبی پور؛ محمد رضا اختصاصی
چکیده
تبخیر یکی از پارامترهای اقلیمی مهم در مناطق خشک است و نقش مهمی را در مدیریت منابع آب بازی میکند، به همین جهت آگاهی از مقدار تبخیر و مدلسازی آن به عنوان یکی از متغیرهای مهم هیدرولوژیکی در تحقیقات کشاورزی و حفاظت آب و خاک از اهمیت زیادی برخوردار است. در دهههای اخیر روشهای هوش مصنوعی در تخمین و پیشبینی پدیدههای غیرخطی توانایی ...
بیشتر
تبخیر یکی از پارامترهای اقلیمی مهم در مناطق خشک است و نقش مهمی را در مدیریت منابع آب بازی میکند، به همین جهت آگاهی از مقدار تبخیر و مدلسازی آن به عنوان یکی از متغیرهای مهم هیدرولوژیکی در تحقیقات کشاورزی و حفاظت آب و خاک از اهمیت زیادی برخوردار است. در دهههای اخیر روشهای هوش مصنوعی در تخمین و پیشبینی پدیدههای غیرخطی توانایی بالایی از خود نشان داده است. در این تحقیق از سه روش مهم دادهکاوی شامل شبکة عصبی مصنوعی، شبکههای استنتاج فازی و درخت تصمیم رگرسیونی جهت پیشبینی تبخیر ماهانه در ایستگاه سینوپتیک یزد استفاده شد. برای این منظور از 8 متغیر هواشناسی در مقیاس ماهانه (متوسط کمینة دما، متوسط بیشینة دما، میانگین دما، ساعات آفتابی، سرعت باد، جهت باد، میانگین رطوبت نسبی و تبخیر) به عنوان ورودی مدل استفاده گردید. نتایج بهدستآمده نشان داد هر سه مدل نامبرده قادرند با استفاده از پارامترهای اقلیمی مذکور به پیشبینی مقدار تبخیر ماهانه 12 ماه بعد از وقوع بپردازند ولی در میان سه مدل مورد استفاده، شبکة عصبی مصنوعی با ضریب همبستگی برابر با 97/0r=، 1/5RMSE=،3/36MAE= و 48/0-ME= بهترین کارایی را از خود نشان داد. همچنین نتایج نشان داد در پیشبینی تبخیر، تفاوت قابلملاحظهای در زمان استفاده از دادههای خام و دادههای نرمال شده وجود ندارد و پردازش دادهها تأثیر چندانی در بهبود نتایج مدلها نخواهد داشت.
حمیده افخمی؛ محمد تقی دستورانی؛ فرزانه فتوحی فیروزآبادی
چکیده
توجه به ماهیت دادههای رسوب و انتخاب روشهای مناسب پردازش بر روی دادهها قبل از ورود به مدلهای هوش مصنوعی از جمله مواردی است که میتواند نتایج حاصل از شبیهسازیها را به واقعیت نزدیک سازد. در این تحقیق تأثیر روشهای پردازش دادههای رسوب قبل از ورود به دو مدل شبکههای عصبی مصنوعی و سیستمهای استنتاج فازی-عصبی در ...
بیشتر
توجه به ماهیت دادههای رسوب و انتخاب روشهای مناسب پردازش بر روی دادهها قبل از ورود به مدلهای هوش مصنوعی از جمله مواردی است که میتواند نتایج حاصل از شبیهسازیها را به واقعیت نزدیک سازد. در این تحقیق تأثیر روشهای پردازش دادههای رسوب قبل از ورود به دو مدل شبکههای عصبی مصنوعی و سیستمهای استنتاج فازی-عصبی در هفت ایستگاه حوضه سد دز مورد بررسی قرار گرفته است. بر این اساس با توجه به توزیعهای احتمالاتی حاکم بر دادهها سه سناریو در نظر گرفته شد. سناریوی اول بدون هیچگونه پردازش و با استفاده از اصل دادهها، سناریوی دوم، پردازش دادهها از طریق استانداردسازی و در سناریوی سوم با توجه به حاکمیت توزیعهای لگاریتمی بر دادههای رسوب، از لگاریتم دادهها استفاده گردید. نتایج شبیهسازیها در دو مدل، کارایی بهتر و خطای کمتر را در شرایط استفاده از لگاریتم دادهها به خصوص در ایستگاههایی که بهترین توزیعهای احتمالاتی آنها یکی از توزیعهای لگاریتمی میباشد، نشان دادند. درنهایت، مدل فازی عصبی با ضریب همبستگی 95/0، 4/5RMSE=، 4/1 MSE=و 42/0 ME= در ایستگاه بیاتون و در شرایط استفاده از لگاریتم دادهها بهترین عملکرد را نشان داد.