• صفحه اصلی
    • شناسنامه نشریه
  • مرور
    • شماره جاری
    • بر اساس شماره‌های نشریه
    • بر اساس نویسندگان
    • بر اساس موضوعات
    • نمایه نویسندگان
    • نمایه کلیدواژه ها
  • اطلاعات نشریه
    • درباره نشریه
    • اهداف و چشم انداز
    • اعضای هیات تحریریه
    • اصول اخلاقی انتشار مقاله
    • بانک ها و نمایه نامه ها
    • پیوندهای مفید
    • پرسش‌های متداول
    • فرایند پذیرش مقالات
    • اخبار و اعلانات
  • راهنمای نویسندگان
  • ارسال مقاله
  • داوران
  • تماس با ما
 
  • ورود به سامانه ▼
    • ورود به سامانه
    • ثبت نام در سامانه
  • English
صفحه اصلی فهرست مقالات مشخصات مقاله
  • ذخیره رکوردها
  • |
  • نسخه قابل چاپ
  • |
  • توصیه به دوستان
  • |
  • ارجاع به این مقاله ارجاع به مقاله
    RIS EndNote BibTeX APA MLA Harvard Vancouver
  • |
  • اشتراک گذاری اشتراک گذاری
    CiteULike Mendeley Facebook Google LinkedIn Twitter
مرتع و آبخیزداری
مقالات آماده انتشار
شماره جاری
شماره‌های پیشین نشریه
دوره دوره 72 (1398)
دوره دوره 71 (1397)
دوره دوره 70 (1396)
شماره شماره 4
زمستان 1396، صفحه 822-1102
شماره شماره 3
پاییز 1396، صفحه 543-820
شماره شماره 2
تابستان 1396
شماره شماره 1
بهار 1396
دوره دوره 69 (1395)
دوره دوره 68 (1394)
دوره دوره 67 (1393)
دوره دوره 66 (1392)
دوره دوره 65 (1391)
دوره دوره 63 (1389)
دوره دوره 62 (1388)
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. مرتع و آبخیزداری, 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". مرتع و آبخیزداری, 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', مرتع و آبخیزداری, 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. مرتع و آبخیزداری, 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

مقاله 17، دوره 70، شماره 4، زمستان 1396، صفحه 1045-1066  XML اصل مقاله (17.92 MB)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jrwm.2018.135478.930
نویسندگان
محبوبه معتمدنیا email 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: 91
تعداد دریافت فایل اصل مقاله: 109
صفحه اصلی | واژه نامه اختصاصی | اخبار و اعلانات | اهداف و چشم انداز | نقشه سایت
ابتدای صفحه ابتدای صفحه

Journal Management System. Designed by sinaweb.