این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
سنجش از دور و Gis ایران، جلد ۶، شماره ۴، صفحات ۱۱۹-۰
عنوان فارسی تخمین میزان رواناب حوضه کن با استفاده از شبکه عصبی مصنوعی
چکیده فارسی مقاله رواناب یکی از اجزای ضروری محاسبه فرایندهای منابع آب و مسئله‌ای اصلی در هیدرولوژی است. مدل‌های مفهومی زیادی برای پیش‌بینی میزان رواناب مطرح شده‌‌اند که عمدتاً نیازمند داده‌های توپوگرافی و هیدرولوژیکی هستند. روش‌های مرسوم گذشته برای نواحی‌ای که داده‌های هیدرولوژیکی کافی ندارند، نامناسب‌اند. تخمین رواناب، فرایندی غیرخطی و از نظر ز‌مانی و مکانی به‌طور کامل تصادفی است و شبیه‌سازی آن با مدل ساده به‌راحتی امکان‌پذیر نیست. امروزه استفاده از شبکه‌های عصبی مصنوعی در مواردی که کمبود داده‌ها محسوس است، روش مناسبی به‌شمار می‌آید. در پژوهش حاضر از داده‌های بارش، دما و دبی ایستگاه‌های حوضه کن در بازه زمانی 1375 تا 1385 و همچنین خصوصیات فیزیوگرافی حوضه مورد مطالعه به‌عنوان ورودی شبکه عصبی برای پیش‌بینی رواناب استفاده شد. بدین منظور به‌صورت تصادفی 80 درصد داده‌ها برای آموزش و 20 درصد داده‌ها برای تست و اعتبارسنجی شبکه اختصاص داده شدند. به‌منظور انتخاب شبکه بهینه، از دو نوع تابع انتقال، 12 تابع آموزشی، و تعدادی نرون مخفی مختلف بین 1 تا 9 نرون استفاده شد. نتایج پژوهش پس از آزمون شبکه با لایه‌های پنهان و با توابع یادگیری مختلف آشکار ساختند که استفاده از داده‌های بارش، دما و دبی، و تابع آموزشی LM و تابع انتقال Tansig و چهار نرون مخفی، بهترین ساختار را برای تخمین رواناب به‌دست می‌دهد. شبکه عصبی با این ساختار می‌تواند رواناب را با دقت ( 0.68 ≤ R2 ≤ 0.78 و 0.53 ≥ RMSE 0.03≤ ) برآورد ‌کند. کلید‌واژه‌ها : تخمین رواناب، شبکه عصبی مصنوعی، الگوریتم پس‌انتشار خطا، حوضه کن، سامانه اطلاعات جغرافیایی.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Runoff Estimation Using Artificial Neural Network Method
چکیده انگلیسی مقاله Runoff is one of the major components of calculating water resource processes and is the main issue in hydrology. Many concept models are used to predict the amount of runoff, which in most cases depend on topographical and hydrological data. Conventional models are not appropriate for areas in which there is little hydrological data. Changes in runoff are nonlinear, meaning it is time & space independent. Therefore it is not easy to simulate the runoff by simple models. Nowadays an appropriate method used in cases where there is a lack of data, is ANN (Artificial Neural Network). The precipitations, temperatures and flows of KAN watershed station between the years of 1996 to 2006 and physiographic characteristics were used as input data for the Artificial Neural Network to predict runoff. 80% of the data is randomly input into the program and the remaining 20% is used to check the accuracy of the result. For the purpose of determining an optimal network, two types of transfer functions, 12 types of training functions and between 1 and 9 kind of hidden neurons are used. After analyzing the hidden layers and various training functions, the results show that the best structure for estimating the runoff is using the precipitation, temperature, flow, LM training function and Tansig transfer function and 4 of the hidden neurons as input data. The results indicated that a Neural Network with such a structure can accurately estimate the runoff. (0.78 ≥ R 2 ≥ 0.68 and 0.03 ≤ RMSE ≤0.53).
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله علی اکبر متکان | ali akbar
دانشگاه شهید بهشتی
سازمان اصلی تایید شده: دانشگاه شهید بهشتی (Shahid beheshti university)

علیرضا شکیبا |
دانشگاه شهید بهشتی
سازمان اصلی تایید شده: دانشگاه شهید بهشتی (Shahid beheshti university)

امین حسینی اصل | hosseini asl
دانشگاه شهید بهشتی
سازمان اصلی تایید شده: دانشگاه شهید بهشتی (Shahid beheshti university)

فردین رحیمی دهگلان | rahimi dehgolan


نشانی اینترنتی http://gisj.sbu.ac.ir/article/view/7662
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/911/article-911-444006.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده علوم پایه
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات