این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات منابع آب ایران، جلد ۱، شماره ۲، صفحات ۲۹-۴۱
عنوان فارسی پیش‌بینی بلند مدت رواناب با استفاده از شبکه های عصبی مصنوعی و سیستم استنتاج فازی
چکیده فارسی مقاله مدل‏های مفهومی ‌بر مبنای هوش مصنوعی، اغلب برای پیش‌بینی‏های کوتاه مدت و میان مدت هیدورلوژیکی به کار رفته اند. در این مقاله با استفاده از مفهوم تولید مجموعه ای از پیش‌بینی‌ها1 (ESP) و تفکیک مدل‏سازی برای متغیرهای اقلیمی‌و هیدرولوژیکی، از مدل‏های مفهومی ‌برای پیش‌بینی بلندمدت حجم جریان رودخانه زاینده رود در محل ورودی به سد زاینده رود استفاده می‌شود. سیستم استنتاج فازی برای پیش‌بینی بارش فصلی به صورت عدد فازی و شبکه‌های عصبی مصنوعی برای شبیه سازی تبدیل اطلاعات هیدروکلیماتولوژیکی ‌به جریان رودخانه مورد استفاده قرار می‌گیرند. فصل بندی بارش و جریان ماهانه، واسنجی مدل‏های اقلیمی ‌و هیدرولوژیکی و استفاده از الگوریتم توقف آموزش2 در شبکه‌های عصبی، دقت پیش‌بینی مدل‏ها را در این تحقیق افزایش داده است. علاوه بر بررسی دقت رویکرد پیش‌بینی جریان در فصول مختلف، نتایج این مدل با یک مدل پیش‌بینی ماهانه بر مبنای شبکه‌های عصبی که با استفاده از اطلاعات مشاهده شده، جریان ماهانه را پیش‌بینی می‌کند، مقایسه می‌گردد. نتایج این تحقیق نشان می‌دهد که رویکرد ارائه شده علاوه بر دقت قابل قبول در پیش‌بینی نقطه‌ای و بلند مدت جریان، امکان پیش‌بینی به صورت مجموعه‌ای از جریان‌های ممکن را نیز فراهم می‌آورد که در برنامه ریزی و مدیریت منابع آب با در نظر گرفتن عدم قطعیت پیش‌بینی‏ها، حائز اهمیت است. 
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Long-Lead Streamflow Forecasting using Artificial Neural Networks and Fuzzy Inference System
چکیده انگلیسی مقاله Conceptual models have been often used in short- or mid-term hydrologic forecasting. In this paper a framework for combining two conceptual climatic and hydrologic models is used in order to generate long-lead Ensemble Streamflow Prediction (ESP) of streamflow to Zayandeh-rud reservoir. In the proposed approach, two models based on a Fuzzy Inference System (FIS) for seasonal rainfall forecasts and Artificial Neural Networks (ANNs) for mapping hydroclimatic variables to streamflow data are used. Illusions such as clustering of rainfall and streamflow data, a proper calibration procedure as well as using a stopped training approach in ANN calibration, improve the accuracy of the forecasts. The results of the proposed approach are assessed by various criteria. Further, the results are compared with an ANN-based streamflow forecast, which uses the observed hydroclimatic data in monthly streamflow forecasting. The results show that using the proposed approach has the advantage of generating proper long-lead point and ensemble forecasts, which could be potentially used to reflect the uncertainty of future available water resources. 
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله شهاب عراقی نژاد |
دکترای مهندسی آب، دانشگاه صنعتی امیرکبیر پلی تکنیک تهران
سازمان اصلی تایید شده: دانشگاه صنعتی امیرکبیر (Amirkabir university of technology)

محمد کارآموز |
استاد دانشکده فنی دانشگاه تهران ،
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

نشانی اینترنتی http://www.iwrr.ir/article_15116_4c812b77e342b17b671cd6c610f9212f.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