فرناز دانشور وثوقی؛ رسول صمدزاده
چکیده
مدلسازی صحیح فرآیند بارش-رواناب به دلیل گستردگی عوامل موثر بر بارش و رواناب یکی از پیچیدگی‌های علم هیدرولوژی است. هدف از این پژوهش استفاده از روش‌های پیش پردازش زمانی از جمله رفـع نویز موجکی و تبدیل موجک برای پیش بینی سری‌های زمانی ماهانه رواناب در دشت اردبیل می‌باشد. شـبیه سـازی بـارش – روانـاب بـا اسـتفاده از مدل جعبـه ...
بیشتر
مدلسازی صحیح فرآیند بارش-رواناب به دلیل گستردگی عوامل موثر بر بارش و رواناب یکی از پیچیدگی‌های علم هیدرولوژی است. هدف از این پژوهش استفاده از روش‌های پیش پردازش زمانی از جمله رفـع نویز موجکی و تبدیل موجک برای پیش بینی سری‌های زمانی ماهانه رواناب در دشت اردبیل می‌باشد. شـبیه سـازی بـارش – روانـاب بـا اسـتفاده از مدل جعبـه سـیاه شبکه عصبی مصنوعی برای سه ترکیب دادههای بارش و رواناب دشت اردبیل انجـام گردید. ترکیب اول و دوم دادهها از دادههای خود ایستگاه در زمانهای گذشته استفاده میکند و ترکیب سوم دادهها از دادههای ایستگاههای بالادست (ایستگاههای گیلانده و کوزه تپراقی) برای پیش بینی رواناب خروجی دشت (ایستگاه سامیان) استفاده میکند. نتایج نشان داد کـه اعمـال روش‌های پیش پردازش زمانی رفـع نویز مـوجکی و استفاده از تبدیل موجک در شــبیه ســازی بارش-رواناب بــا مدل شبکه عصبی مصنوعی به ترتیب بطور متوسط باعــث بهبــود 4 و 39 درصدی در مرحلــه آزمایش مدل شده است.
فرناز دانشور وثوقی؛ وحید منافیان آذر
دوره 5، شماره 17 ، اسفند 1397، ، صفحه 45-64
چکیده
چکیده
آب‌های زیرزمینی همواره به عنوان یکی از منابع مهم و عمده ی تأمین آب شرب و کشاورزی به ویژه در مناطق خشک و نیمه خشک مطرح بوده‌اند. به منظور آگاهی از وضعیت این منابع و مدیریت بهینه ی آنها، لازم است پیش‌بینی دقیقی از نوسانات سطح آب زیرزمینی صورت گیرد. در این تحقیق اطلاعات 15 پیزومتر موجود در دشت اردبیل مورد استفاده قرارگرفت. ...
بیشتر
چکیده
آب‌های زیرزمینی همواره به عنوان یکی از منابع مهم و عمده ی تأمین آب شرب و کشاورزی به ویژه در مناطق خشک و نیمه خشک مطرح بوده‌اند. به منظور آگاهی از وضعیت این منابع و مدیریت بهینه ی آنها، لازم است پیش‌بینی دقیقی از نوسانات سطح آب زیرزمینی صورت گیرد. در این تحقیق اطلاعات 15 پیزومتر موجود در دشت اردبیل مورد استفاده قرارگرفت. از تبدیل موجک و روش خوشهبندی به ترتیب برای پیش‌پردازش زمانی و مکانی استفاده گردید. روش مدلسازی مورد استفاده در این تحقیق، ماشین بردار پشتیبان و شبکه عصبی مصنوعی برای پیش‌بینی یک ماه آینده می‌باشد. در ابتدا پیزومترهای موجود با روش خوشه بندی نقشه خود سازمانده کلاس بندی شده و برای پیزومترهای مرکزی هر کلاس دو مدل فوق به صورت تکی و در ترکیب با تبدیل موجک به کار رفت. نتایج حاصله ضریب تبیین متوسط 94/0 برای آموزش و 89/0 برای صحتسنجی را در مرحلهی مدلسازی با ماشین بردار پشتیبان نشان داد. استفاده از تبدیل موجک باعث افزایش 5/3 درصدی دقت مدل گردید. در ضمن مدلسازی از طریق شبکه عصبی مصنوعی نیز با ضریب تبیین متوسط 94/0 برای آموزش و 88/0 برای صحتسنجی از دقت بالایی برخوردار بوده و استفاده از تبدیل موجک باعث افزایش 5 درصدی دقت مدل شد.
