این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی آبیاری و آب ایران، جلد ۱۲، شماره ۱، صفحات ۲۹۵-۳۱۸
عنوان فارسی پیش‌بینی نوسانات عمق سطح آب زیرزمینی با استفاده از مدل‌های تلفیقی شبکه‌ی عصبی- فازی تطبیقی- موجکی (WNF) (مطالعه موردی: دشت الشتر)
چکیده فارسی مقاله هدف از تحقیق حاضر، تخمین سطح آب زیرزمینی دشت الشتر در زمان‌های ، و با استفاده از پارامترهای دما، بارش و سطح آب زیرزمینی در زمان‌های ، و با استفاده از مدل‌های شبکه عصبی (ANN)، سیستم استنتاج عصبی-فازی (ANFIS)، عصبی- موجک (WNN) و تلفیق شبکه‌ی عصبی- فازی- موجک (WNF) می‌باشد. جهت ارزیابی مدل‌ها از دو شاخص و RMSE استفاده گردید. نتایج حاصل از پیش‌بینی مدل‌های مختلف نشان داد که ANFIS، WNN و WNF نسبت به مدل ANN در پیش‌بینی عمق سطح آب زیرزمینی دارای دقت بالاتری می‌باشند. همچنین مقایسه نتایج حاصل از مدل‌هایی با پایه موجک و دیگر مدل‌ها‌ نشان می‌دهد، این مدل‌ها (WNN و WMF) دارای دقت بالاتری نسبت به دیگر مدل‌ها می‌باشند. به طوریکه استفاده از مدل WNF نسبت به ANN شاخص R2 را از 94/0 به 98/ 0 (در پیش بینی یک ماه)، 84/0 به 93/0 (در پیش بینی سه ماهه) 76/0 به 85/0 (در پیش بینی شش ماهه) افزایش داده است. همچنین مدل WNF نسبت به ANN، شاخص RMSE را به ترتیب از 56/0 به 32/0 (در پیش بینی یک ماه)، 96/0 به 66/0 (در پیش بینی سه ماهه) و 18/1 به 97/0 (در پیش بینی شش ماهه) کاهش داده است. نتایج پیش‌بینی عمق سطح آب زیرزمینی با مدل‌های چهارگانه نشان داد که این مدل‌ها در پیش‌بینی گام‌های زمانی کوتاه‌تر، دارای نتایج دقیقتر بوده و استفاده از آنها در پیش‌بینی‌های با تأخیر زمانی بیشتر از سه ماهه، نه‌تنها تأثیر چندانی بر دقت مدل‌ نداشته بلکه در مدل‌های با پایه موجک، سبب کاهش دقت می‌شود.
کلیدواژه‌های فارسی مقاله واژه‌های کلیدی آب‌های زیرزمینی، الشتر، تبدیل موجک، سری زمانی، عصبی- فازی-موجک،
عنوان انگلیسی Forecasting Groundwater table depth fluctuations using conjunction models of Wavelet – Neural - Fuzzy Network (WNF) (case study: Aleshtar Plain)
چکیده انگلیسی مقاله The aim of this study was to estimate the groundwater level of Aleshtar plain at times t + 1, t + 3 and t + 6 using the parameters of temperature, precipitation and groundwater level at times t, t-1 and t-2 using models: neural network (ANN) , a neural fuzzy inference system (ANFIS), a neural-wavelet (WNN), and an integrated neural-fuzzy-wavelet (WNF) network. Two indices R2 and RMSE were used to evaluate the models. The results of predicting different models showed that ANFIS, WNN and WNF have higher accuracy in predicting groundwater level than ANN model. Also, the comparison of the results obtained from wavelet-based models and other models showed that these models (WNN and WMF) have higher accuracy than other models due to pre-processing and data analysis. The use of WNF model compared to ANN has increased the R2 index from 0.94 to 0.98 (in one-month forecast), 0.84 to 0.93 (in three-month forecast) 0.76 to 0.85 ( In the six-month forecast). Also, WNF compared to ANN model, has decreased RMSE index from 0.56 to 0.32 (in one-month forecast), 0.96 to 0.66 (in three-month forecast) and 1.18 to 0.97 (in the six-month forecast). The results of groundwater depth prediction with four models showed that these models have more accurate in predicting shorter time steps. Also, using of models in predictions with a time delay of more than three months, not only does not have much effect on the accuracy of the model, but in models with wavelet basis reduces the accuracy.
کلیدواژه‌های انگلیسی مقاله واژه‌های کلیدی آب‌های زیرزمینی, الشتر, تبدیل موجک, سری زمانی, عصبی- فازی-موجک
نویسندگان مقاله مسعود شاکرمی |
گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه لرستان

نشانی اینترنتی https://www.waterjournal.ir/article_138347_b6723b181f7191b30d3e098107b708ac.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