این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات منابع آب ایران، جلد ۵، شماره ۲، صفحات ۱۶-۲۶
عنوان فارسی پیش‌بینی کم‌آبی‌ ماهانه با استفاده از یک مدل استوکستیک و سیستم استنتاج فازی مبتنی بر شبکه تطبیقی
چکیده فارسی مقاله آگاهی از دبی‌ جریان و پیش‌بینی آن به ویژه در مواقعی که رودخانه با کم‌آبی مواجه است امری ضروری در جهت مدیریت بهره‌‌برداری از رودخانه است. در این مقاله به ‌منظور مدل‌سازی سری‌های‌ زمانی تشکیل شده از کم‌آبی‌های ماهانه و پیش‌بینی مقدار و زمان وقوع کم‌آبی‌ها، از یک مدل استوکستیک متداول (مدل میانگین متحرک تجمعی خودبازگشت-ARIMA) و یک مدل مبتنی بر هوش مصنوعی (سیستم استنتاج فازی مبتنی بر شبکه تطبیقی-ANFIS) استفاده شده و نتایج حاصل از دو روش با یکدیگر مقایسه شده است. مقدار عددی کم‌آبی در هر ماه برابر با حداقل مقدار میانگین متحرکهای یک، سه و هفت‌روزه دبی جریان در همان ماه در نظر گرفته شد‌ه و بدین ترتیب سه سری زمانی یک، سه و هفت‌روزه از کم‌آبی‌های ماهانه به دست آمده است. بررسی عملکرد دو مدل یاد شده با استفاده از آمار ثبت ‌شده از دبی جریان در خروجی حوضه آبریز معرف ناورود در استان گیلان نشان داد که مدل ARIMA عملکرد بهتری در پیش‌بینی کم‌آبی‌های یک، سه و هفت‌روزه دارد. علاوه بر این، نتایج این تحقیق نشان داد که هر دو مدل ARIMA و ANFIS کم‌آبی‌های سه‌روزه را با خطای کمتری نسبت به کم‌آبی‌های یک و هفت‌روزه پیش‌بینی می‌کنند.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Monthly Low-Flow Forecasting Using a Stochastic Model and Adaptive Network Based Fuzzy Inference System
چکیده انگلیسی مقاله Surface water management practices are directly influenced by the streamflow forecasting, especially for the low-flow context. In this paper, the monthly low-flow time series were modeled and forecasted using a traditional stochastic model (Autoregressive Integrated Moving Average-ARIMA) and an artificial intelligence based model (Adaptive Network based Fuzzy Inference System-ANFIS). Low-flow in each month was defined as the minimum value of one, three, and seven day moving averages of daily streamflow. The performance of the stochastic model was compared to the neuro-fuzzy model through application to the streamflow data from the NavroodRiver basin in the Guilan state, northern Iran. The results showed that the stochastic model resulted in more accurate forecasted values than the neuro-fuzzy model for one, three, and seven day low-flow time series. Furthermore, in all neuro-fuzzy and stochastic models the error in forecasting three-day low-flow is less than those for one- and seven-day low-flow.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مجید خلقی |
دانشیار گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی آب و خاک، دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

افشین اشرف زاده |
استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه گیلان
سازمان اصلی تایید شده: دانشگاه گیلان (Guilan university)

مرضیه مالمیر |
دانشجوی سابق کارشناسی ارشد مهندسی منابع آب، دانشکده مهندسی آب و خاک، دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

نشانی اینترنتی http://www.iwrr.ir/article_15755_c78b7bc0ecd4c5b7380961f4c6750fd7.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات