این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی و مدیریت آبخیز، جلد ۵، شماره ۲، صفحات ۷۴-۸۴
عنوان فارسی مقایسه کارایی پیش‌بینی دبی ماهانه با استفاده از روش‌های شبکه عصبی مصنوعی و سری‌های زمانی
چکیده فارسی مقاله پیش­بینی در هیدرولوژی به معنی تخمین شرایط هیدرولوژیکی و هواشناسی در یک بازه زمانی خاص می­باشد. در همین راستا، فهم رابطه بین بارش و رواناب یکی از ضروری‌ترین مسائل برای مدیریت منابع آب می‌باشد. پژوهش حاضر با هدف مقایسه بین مدل‌های مختلف شبکه عصبی مصنوعی (MLP وRBF) و سری‌های زمانی آرما (ARMA) در برآورد دبی ماهانه در حوزه آبخیز طالقان برای یک دوره 30ساله بین سال‌های 1356 تا 1386 پی­ریزی شد. در روش شبکه عصبی مصنوعی از توابع محرک سیگموئیدی و پارامترهای تعداد تکرار، ضریب یادگیری، تعداد نرون مخفی و خطای هدف که با استفاده از آزمون و خطا به­دست آمده، استفاده شد. همچنین، در روش آرما از بین مدل‌های مختلف روشی که دارای کمترین میزان خطا و معیار سنجش آکائیک (AIC) بود به­عنوان مدل بهینه انتخاب شد. نتایج مدل‌سازی سری­های زمانی با استفاده از مدل‌های آنالیز روند، هالت وینترز و باکس-جنکینز (آرما) حاکی از دقت بیشتر مدل‌های آرما (2 و 2) (R=0.77) و هالت وینترز (R=0.72) بوده است. در مقایسه بین مدل‌های شبکه عصبی مصنوعی، مدل MLP با میانگین ضریب هم‌بستگی 0.83 نسبت به مدل RBF با میانگین ضریب هم‌بستگی 0.81 دقت بیشتری در پیش‌بینی دبی نشان داده است. در مجموع دقت‌­سنجی مدل‌ها براساس آماره­‌های ریشه میانگین مربعات خطا و ضریب هم‌بستگی حاکی از دقت بیشتر شبکه عصبی مصنوعی (ANN) نسبت به مدل‌های سری زمانی (ARMA) می‌باشد. همچنین، ارزیابی دقت در مدل‌های مختلف حاکی از دقت بیشتر مدل یک (R=0.86 و RMSE=6.45) با ورودی­‌های دبی یک ماه تا چهار ماه قبل بوده است. بهترین معماری در روش شبکه عصبی مصنوعی نوع MLP، مدل شماره 1 با آرایش 1-20-4 به­ترتیب با چهار نرون در لایه ورودی، 20 نرون در لایه مخفی و یک نرون در لایه خروجی شناخته شد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Comparison prediction performance of monthly discharge using ANN and time series
چکیده انگلیسی مقاله Prediction in hydrology is as estimation of hydrological and meteorological conditions in a specific interval time. In this regard, understanding the relationship between precipitation and runoff is necessary for water resources optimal management. The purpose of this study was to compare different models of artificial neural networks (two type of ANNs: RBF and MLP) and time series models (ARMA) to discharge estimation in a part of the Taleghan watershed, using monthly flow discharge data for a period of 30 years between 1977 and 2007. Among the different ARMA models, a model with a lowest error and akaike (AIC) criterion was selected as an optimal model. Using trial and error method, ANNs were designed by specifying the number of hidden layers and neurons in each layer, sigmoidal transfer function, training function, weight/bias learning function and performance function. Using trend analysis, Halt-Winters and Box-Jenkins (ARMA) methods, time series analysis showed that ARMA (2, 2) (R= 0.77) and Halt-Winters (R=0.72) presented more accurate results. In general, it could be concluded that ANNs models produced more accurate predictions of flow discharge than time series approaches. Also, the results revealed that the MLP model (average R=0.83) produced more accurate predictions of flow discharge than RBF model (average R=0.81). Assessment of accuracy of all models based on RMSE and R showed that the model 1 (with RMSE= 6.45 and R= 0.86) obtained with a network architecture of 4-20-1 configuration. Model 1 used the input vector consisting of antecedent monthly discharge with one to four time lag.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مجید خزایی |
دانشجوی دکتری، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان
سازمان اصلی تایید شده: دانشگاه هرمزگان (Hormozgan university)

محمد رضا میرزایی | mohammad reza
استادیار، دانشکده کشاورزی، دانشگاه یاسوج
سازمان اصلی تایید شده: دانشگاه یاسوج (Yasouj university)

نشانی اینترنتی http://jwem.areo.ir/article_101803_67012fda95ca899c510377536ee26339.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1259/article-1259-421615.pdf
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