این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
جغرافیا و توسعه، جلد ۱۱، شماره ۳۱، صفحات ۱۵-۲۸
عنوان فارسی کاربرد شبکه‌ی عصبی مصنوعی در شبیه‌سازی و پیش‌بینی سیلاب در حوضه‌ی آبریز سرباز
چکیده فارسی مقاله بروز سیلاب‌های سهمگین در اثر تغییرات آب و هوایی طیّ دهه‌های اخیر سبب بروز خسارات فراوانی در نواحی مختلف دنیا شده است. در نواحی خشک تأثیر این تغییرات محسوس‌تر است. در این بین استان سیستان و بلوچستان با آب و هوای گرم و خشک، مستعد وقوع سیل می‌باشد. حوضه‌ی آبریز سرباز که در قسمت‌های جنوبی این استان پهناور قرار گرفته، متأثر از شرایط موجود هرساله شاهد وقوع سیل و نتایج مخرب آن می‌باشد. هدف از این پژوهش پیش‌بینی سیلاب رودخانه‌ی سرباز با شبکه عصبی مصنوعی می‌باشد. در این پژوهش از سه شبکه پرسپترون چندلایه، پس انتشار و Radial Basis جهت پیش‌بینی سیلاب رودخانه‌ی سرباز استفاده شد و نتایج این شبکه‌ها با مدل رگرسیون چند متغیّره مقایسه شده است. برای این منظور از داده‌های روزانه اقلیمی و هیدرولوژیکی سه ایستگاه سرباز، ایرانشهر و پیردان طیّ یک دوره‌ی 28 ساله (مهر 1360 تا شهریور 1388) استفاده شد. با بررسی همبستگی بین این داده‌ها و دبی رودخانه سرباز پارامترهای مؤثر بر سیلاب تعیین شد. پس از نرمالیزه کردن داده‌ها، مدل‌های مختلف ایجاد شد. بررسی نتایج نشان داد که شبکه‌ی منتخبRadial Basisبا همبستگی 97/0 در مرحله‌ی آموزش و 714/0 در مرحله‌ی آزمایش و خطای کمتر نسبت به سایر شبکه‌ها به عنوان بهترین مدل در بین انواع شبکه‌ی عصبی شناخته شد. مقایسه‌ی نتایج این شبکه و مدل رگرسیونی نشان می‌دهد که مدل شبکه عصبی عملکرد مناسب‌تری دارد و پیش‌بینی بهتری نسبت به روش رگرسیونی از سیلاب رودخانه‌ی سرباز ارائه می‌دهد.
کلیدواژه‌های فارسی مقاله سیل، شبکه عصبی مصنوعی، پیش‌بینی، حوضه‌ی آبریز سرباز،
عنوان انگلیسی The Usage of Artificial Neural Network in Simulation and Prediction of Flood at Sarbaz Drainage Basin
چکیده انگلیسی مقاله The occurrence of horrific floods as a result of climatic changes in recent decades has caused many damages in different areas of the world. In dry areas, the effects of these changes are more tangible. Among these regions, Sistan and Baluchestan province, regarding its warm and dry climate, is flood prone. Sarbaz basin which is located in the southern parts of this vast province, each year is encountered with flood occurrences and its destructive consequences under the affection of the current situation. This aim of this study is to forecast the floods of Sarbaz River via an artificial neural network. In this study, three networks including multi-layer perception network, back propagation and radial basis were used to predict floods of Sarbaz River and the results of these networks were compared through multiple regression models. To this aim, the data of three daily climatic and hydrological stations of Sarbaz, Pirdan and Iranshahr were used over a period of 28 years (October 1981 upto Septenber 2009). Analyzing the correlation between the data and the flow rate of Sarbaz River, the effective parameters on floods were determined. After normalizing the data, different models were created. Surveying the results showed that the selected network Radial Basis with the correlation 0.97 at the training phase and 0.714 at testing phase and less error comparing with other networks, was selected as the best model among various neural networks. Comparing these network results and regression models showed that the neural network model has a better performance and presents a better prediction of Sarbaz river flood using the regression method.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حسین نگارش |
دانشگاه سیستان وبلوچستان
سازمان اصلی تایید شده: دانشگاه سیستان و بلوچستان (Sistan va baloochestan university)

مهدی اژدری مقدم | azhdary moghaddam
دانشگاه سیستان وبلوچستان
سازمان اصلی تایید شده: دانشگاه سیستان و بلوچستان (Sistan va baloochestan university)

محسن آرمش | آرمش
دانشگاه سیستان وبلوچستان
سازمان اصلی تایید شده: دانشگاه سیستان و بلوچستان (Sistan va baloochestan university)

نشانی اینترنتی http://gdij.usb.ac.ir/article_791_46a33671759cf0c2d50379c01b5a62ee.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