این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی عمران و محیط زیست دانشگاه تبریز، جلد ۴۷، شماره ۸۹، صفحات ۲۷-۳۶
عنوان فارسی پیش‌بینی چند ایستگاهه نیترات با بهره‌گیری از ابزار هوش مصنوعی و محاسبات نرم
چکیده فارسی مقاله در این مقاله مدل­سازی چند ایستگاهه رواناب- نیترات در حوضه آبریز Little River Watershed (LRW)، با استفاده از تبدیل موجک و نقشه­های خود سازمانده و مدل­های هوش مصنوعی انجام گردید. به طوری که سری­های زمانی رواناب- نیترات توسط تبدیل موجک تجزیه گشته و سپس زیرسری­های تجزیه شده توسط نقشه­های خود سازمانده خوشه­بندی گردید. در ادامه، معیار استخراج ویژگی (اطلاعات مشترک) برای انتخاب نماینده از هر خوشه جهت ورود به مدل­های هوش مصنوعی شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیش­بینی نیترات خروجی حوضه آبریز LRW به کار گرفته شد. مدل­سازی چند ایستگاهه نیترات بر اساس خاصیت فصلی بودن انجام شده و با مدل­سازی چند ایستگاهه بر اساس خاصیت مارکف مقایسه گردید. نتایج نشان داد که مدل­های هوش مصنوعی ترکیب شده با تبدیل موجک، نقشه­های خود سازمانده و اطلاعات مشترک توانایی پیش­بینی نیترات چند ایستگاهه را نسبت به مدل­های هوش مصنوعی که از خاصیت مارکف بهره می­برند تا حد قابل قبولی بهبود می­بخشد. به طور کلی، استفاده از خاصیت فصلی­بودن پدیده­ها به همراه کاهش ابعاد ورودی­ها، می­تواند به مدل­های هوش مصنوعی در جهت استفاده از اطلاعات خالص داده­های مشاهداتی کمک کند.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Multi-Station Nitrate Prediction via Artificial Intelligence and Soft Computing Tools
چکیده انگلیسی مقاله The diffusion of nitrate pollution in watersheds is due to complex biochemical and hydrological procedures linked to the cycle of nitrogen and water. Nitrate load comes from different sources such as wastewater treatment plants, runoff of fertilized lawns and cropland, failing on-site septic systems, runoff of animal manure storage areas, and industrial discharges that contain corrosion inhibitors. Loss of nitrate to surface and groundwater can reduce farm productivity, harm the environment, and affect drinking water quality. Large uncertainties and limited physical understanding of the water quality such as nitrate barricade the process-based modeling and seek a black box relationship between driving and resultant variables. Therefore, in this paper Multi-Station (MS) modeling of nitrate of the Little River Watershed (LRW) has been done. Hence, MS nitrate modeling is considered whereby nitrate loads of the inside and outlet of the LRW could be predicted. As a more explanation, the nitrate of upper sub-basins are employed for predictions of the interior sub-basins nitrate loads, and then, central sub-basins are participated in outlet nitrate prediction of the LRW. So, MS model can prepare a reliable platform to get information about the amount of nitrate in crucial places of the LRW. For this purpose, two scenarios with distinct views are used for MS nitrate modeling to identify the suitable strategy for future hydro-environmental researches. In the first scenario, Markovian characteristics of the streamflow-nitrate process are proposed as the base of the MS model, where antecedent of streamflow and nitrate time series of sub-basins are shared in nitrate modeling. On the other hand, non-linear feature extraction criterion of MI that is more suitable measure regarding the linear measure of Correlation Coefficient (CC) is employed for the selection of appropriate inputs of the Least Square SVM (LSSVM) and Feed Forward Neural Network (FFNN) models to avoid from the time consuming trial-error process of input selection. In the second scenario, seasonality-based characteristics of the streamflow-nitrate process are focused. Where, streamflow and nitrate time series of the sub-basins are decomposed by the wavelet transforms at a suitable level for clarifying spectral and temporal information of the time series. Then, as a new feature extraction method, both SOM and MI are respectively employed for clustering homogeneous sub-series and selecting clusters' proper agents, to be fed into LSSVM and FFNN models for MS nitrate load modeling of the LRW.  
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله الناز شرقی |
دانشکده مهندسی عمران، دانشگاه تبریز

وحید نورانی |
دانشکده مهندسی عمران، دانشگاه تبریز

غلامرضا عندلیب |
دانشکده مهندسی عمران، دانشگاه تبریز

نشانی اینترنتی http://ceej.tabrizu.ac.ir/article_7187_be9fd252f3c43ae7107dac8377d00e6c.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1244/article-1244-576729.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