این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی عمران و محیط زیست دانشگاه تبریز، جلد ۵۲، شماره ۱۰۷، صفحات ۱۳۹-۱۵۰
عنوان فارسی مدلسازی چندگامه پدیده های هیدروکلیماتولوژیکی با استفاده از مدل فصلانه موجک- شبکه عصبی
چکیده فارسی مقاله با توجه به این ­که سری­ های زمانی هیدروکلیماتولوژیکی دارای سه جزء اصلی خودهمبسته، فصلانه و تصادفی می­ باشند و رفتار مدلهایی که تاکنون ارائه شده ­اند، نسبت به این اجزاء متفاوت بوده است، در این مقاله از داده­ های ماهانه بارش و رواناب حوضه Murrumbidgee استرالیا و داده ­های کمینه دمای ماهانه شهر تبریز برای ایجاد و ارزیابی مدل ترکیبی موجک- شبکه عصبی استفاده شده است. با توجه به این­ که توانایی مدل غیرخطی و خودهمبسته شبکه عصبی مصنوعی (ANN) (Artificial Neural Network) در مدلسازی یک گام بعد فرآیند­های هیدروکلیماتولوژیکی (Hydro-Climatological) اثبات شده است، در این مقاله توانایی مدل ANN با انتشار برگشتی خطا و همچنین ترکیب مدل ANN و تبدیل موجک (WANN) در مدل­سازی فصلانه فرآیند­های هیدروکلیماتولوژیکی برای پیش­ بینی چندگام بعد با به­ کارگیری کم­ترین ورودی بررسی شده است. به­ همین منظور ابتدا از مدل ANN و سپس از مدل WANN برای پیش ­بینی یک تا دوازده گام بعد استفاده شده است. در انتها کارایی همه مدل­ها با استفاده از معیارهای ارزیابی بررسی شده و مدل­ها با یکدیگر مقایسه شده‌اند. نتایج مدل­سازی بیانگر این است که استفاده از تبدیل موجک به­ عنوان پیش ­پردازش داده­ ها موجب شده با کمترین ورودی، دقت نتایج مدل­سازی در همه گام­ های پیش­ بینی به­ صورت مطلوبی افزایش یابد. برای سری زمانی رواناب موردمطالعه به­ دلیل ویژگی خودهمبسته ضعیف و حالت فصلانه چندتناوبه قابل‌توجه، مدل ANN نتایج ضعیفی را ارائه داد ولی استفاده از تبدیل موجک به ­عنوان پیش ­پردازش داده­ ها باعث بهبود نتایج در همه گام­ های پیش­ بینی نسبت به مدل ANN شد (تا 749%) و همچنین با افزایش مقیاس زمانی تجزیه به­ دلیل افزایش زیر سری ها و کنترل بهتر حالت فصلانه نتایج مناسب­ تری برای همه گام­ های پیش­ بینی حاصل شد. برای سری زمانی دما به ­دلیل ویژگی خودهمبسته قوی و حالت فصلانه تک ­تناوبه قابل‌توجه، مدل ANN نتایج نسبتاً مناسبی را ارائه داد ولی استفاده از تبدیل موجک به ­عنوان پیش ­پردازش داده ­ها باعث بهبود نتایج در همه گام ­های پیش­ بینی نسبت به مدل ANN شد (تا 18%) ولی عملاً تغییر مقیاس تجزیه، تفاوت چندانی را ایجاد نکرد.
کلیدواژه‌های فارسی مقاله مدلسازی فصلانه چندگامه، ANN، WANN، رواناب حوضه Murrumbidgee، کمینه دمای تبریز،
عنوان انگلیسی Multistep Modeling of Hydroclimatic Phenomena Using Wavelet-Neural Network Seasonal Model
چکیده انگلیسی مقاله In the present paper, the ability of the Artificial Neural Network (ANN) and combined wavelet-neural network (WANN) model were investigated for multistep modeling of hydroclimatic processes with the least input. For this purpose, the ANN model and then the WANN model were used to predict one to twelve steps in advance. Finally, the efficiencies of all models were examined using the evaluation criteria, and all models were compared with each other.
کلیدواژه‌های انگلیسی مقاله مدلسازی فصلانه چندگامه, ANN, WANN, رواناب حوضه Murrumbidgee, کمینه دمای تبریز
نویسندگان مقاله حسام نجفی |
دانشکده مهندسی عمران - دانشگاه تبریز

وحید نورانی |
دانشکده مهندسی عمران، دانشگاه تبریز

الناز شرقی |
دانشکده مهندسی عمران، دانشگاه تبریز

علیرضا بابائیان امینی |
دانشکده مهندسی عمران، دانشگاه بناب

نشانی اینترنتی https://ceej.tabrizu.ac.ir/article_11657_3ee65661a5ad92790f0b277e46ec6e80.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