این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهشنامه مدیریت حوزه آبخیز، جلد ۱۰، شماره ۱۹، صفحات ۰-۰
عنوان فارسی ارزیابی کارایی دو مدل نروفازی و هیبرید موجکی-عصبی در پیش‌بینی جریان رودخانه (مطالعه موردی: حوضه محمد آباد)
چکیده فارسی مقاله چکیده از مهم ترین مسائل در مدیریت حوزه­های آبخیز، پیش بینی فرآیندهای هیدرولوژیکی بارش – رواناب می­باشد. استفاده از مدل­های جدید در این زمینه می­تواند به مدیریت و برنامه­ریزی صحیح کمک کند. علاوه بر آن پیش­ بینی جریان رودخانه، مخصوصاَ در شرایط سیلابی، به مسئولان این امکان را خواهد داد که با آمادگی خسارت ناشی از سیل را کاهش دهند. با توجه به اهمیت پیش ­بینی جریان رودخانه در مدیریت منابع آب روش­های مختلفی برای مدل کردن جریان رودخانه­ها به­کار برده می­شوند، تا بتوان با به­ کارگیری این مدل در مدیریت خشکسالی و سیلاب خسارات ناشی از آن­ها را به حداقل ممکن رساند. در این مطالعه برای پیش­ بینی سری زمانی جریان روزانه ایستگاه آبسنجی سرمو واقع بر رودخانه محمدآباد، مدل نروفازی و هیبرید موجکی-عصبی مورد استفاده قرار گرفت. برای این هدف سری زمانی اصلی به مدت 28 سال به­وسیله تبدیل موجکی به سه زیر سری و با موجک مادر دابچیز نوع چهارم انجام شد. مقدار ضریب همبستگی در مدل نروفازی 88/0 و در مدل هیبرید موجکی-عصبی 95/0 به­ دست آمده است و نیز پارامترهای ارزیابی RMSE، MSE، NS در مدل موجکی-عصبی به ترتیب 004/0، 043/0 و 91/0 و در مدل نروفازی به ترتیب  32/0، 10/0 و 77/0 بدست آمد. در نهایت نتایج حاصل از تبدیل موجکی-عصبی با نتایج حاصل از نروفازی، مقایسه و ملاحظه شد که روش موجکی-عصبی نسبت به روش نروفازی دقت پیش­ بینی بالاتری دارد.  
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Evaluation of the Neuro-Fuzzy and Hybrid Wavelet-Neural Models Efficiency in River Flow Forecasting(Case Study: Mohmmad Abad Watershed)
چکیده انگلیسی مقاله   One of the most important issues in watersheds management is rainfall-runoff hydrological process forecasting. Using new models in this field can contribute to proper management and planning. In addition, river flow forecasting, especially in flood conditions, will allow authorities to reduce the risk of flood damage. Considering the importance of river flow forecasting in water resources management, various methods are used to model rivers flow in order to minimize their potential damage by using the model in drought and flood management. In this study, the neuro-fazzy and hybrid neural-wavelet models were used to forecast the daily flow time series of the Sarmo water meter station located on the Mohammad Abad River. For this purpose, the original time series has been translated to three sub-series for 28 years using wavelet transformation and type IV Daubechies mother wavelet. The correlation coefficient value was obtained 0.88 for neuro-fuzzy model and 0.95 for hybrid wavelet -neural model, and the RMSE, MSE, and NS evaluation parameters in neural-wavelet model were 0.004, 0.043, and 0.91, respectively; these parameters in neuro-fuzzy model were 0.32, 0.10, and 0.77, respectively. Finally, the results of wavelet-neural transformation were compared with the results of neuro-fuzzy model, and it was observed that the wavelet- neural method has a higher predictive accuracy than the neuro-fuzzy method.  
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله فریبا نیرومند فرد | Fariba Niromandfard
university of birjand
دانشگاه بیرجند

عباس خاشعی سیوکی | Abbas KhasheiSiuki
university of birjand
دانشگاه بیرجند

علی شهیدی | Ali Shahidi
university of birjand
دانشگاه بیرجند

نشانی اینترنتی http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1138-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده هیدرولوژی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات