این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهشنامه مدیریت حوزه آبخیز، جلد ۶، شماره ۱۲، صفحات ۲۱۶-۲۲۵
عنوان فارسی پیش بینی بار معلق رودخانه با استفاده از مدل‌های سری زمانی و شبکه عصبی مصنوعی (مطالعه موردی: ایستگاه قزاقلی رودخانه گرگانرود)
چکیده فارسی مقاله برآورد میزان دقیق رسوبات معلق در رودخانه‌ها از ابعاد مختلف کشاورزی، حفاظت خاک، کشتیرانی، سدسازی، حیات آبزیان و ابعاد تحقیقاتی، دارای اهمیت فراوانی است. روش‌های مختلفی برای بررسی و برآورد رسوبات معلق رودخانه، موجود می‌باشد که البته توانایی این روش‌ها متفاوت است. در تحقیق حاضر به منظور مقایسه و بررسی توانایی مدل‌های سری زمانی شامل مارکف، ARIMA و شبکه‌های عصبی در پیش­بینی رسوب معلق، از داده‌های روزانه ایستگاه قزاقلی واقع روی رودخانه گرگانرود استفاده شده است. داده‌های موجود به‌صورت متوسط رسوب معلق ماهانه در محیط نرم­افزار Minitab 16 وNeurosolutions 5 به‌کار‌گرفته شد و در نهایت پیش­بینی رسوب برای 111 ماه انجام گرفت. در مرحله بعد، مقادیر پیش‌بینی شده توسط مدل‌های مختلف، با شاخص‌های اندازه‌گیری خطا شامل RMSEوNMSE نشان داد که شبکه‌های عصبی در مقایسه با مدل‌های سری زمانی توانایی بهتری در پیش‌بینی و مدل‌سازی رسوب ماهانه دارد و نیز در بین مدل‌های سری زمانی، مدل مارکف در مقایسه با مدل ARIMA دارای توانایی بهتری در برآورد رسوب معلق می باشد.
کلیدواژه‌های فارسی مقاله آریما، رسوب معلق، قزاقلی، مارکف، مدل‌سازی
عنوان انگلیسی Suspended Sediment Prediction using Time Series and Artificial Neural Networks Models (Case Study: Ghazaghly Station in Gorganroud River)
چکیده انگلیسی مقاله Accurate estimation of suspended sediment in rivers is very important from different aspects including agriculture, soil conservation, shipping, dam construction and aquatic research. There are different methods for suspended sediment estimation. In the present study to evaluate the ability of time-series models including Markov and ARIMA in predicting suspended sediment and to compare their results to Artificial Neural Networks it was tried to use daily suspended data from Ghazaghly station of Gorganroud River, as average monthly values in Minitab 16 software and Neurosolutions 5, and finally suspended sediment was predicted for 111 months. Calculation of the error measurement indices including RMSE and NMSE based on the results of this study showed a good ability of Artificial Neural Network models in estimating average monthly suspended sediment. On the other hand between time series models, Markov model has better ability in estimating monthly suspended sediment in comparison to the ARIMA model.
کلیدواژه‌های انگلیسی مقاله ARIMA, Suspended sediment, Ghazaghly, Markov, Modeling
نویسندگان مقاله فاطمه برزگری |


محمدتقی دستورانی | mohammad taghi


نشانی اینترنتی http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1-118&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1495/article-1495-251569.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات