پیش بینی جریان رودخانه با استفاده از برنامه ریزی ژنتیک (مطالعه موردی: حوضه آبریز رودخانه لیقوان)
محل انتشار: فصلنامه دانش آب و خاک، دوره: 19، شماره: 1
سال انتشار: 1388
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 153
فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WASO-19-1_008
تاریخ نمایه سازی: 15 اسفند 1401
چکیده مقاله:
روشهای متعددی همچون مدل سریهای زمانی، شبکههای عصبی مصنوعی، منطق فازی، نرو فازی و برنامهریزی ژنتیک برای پیشبینی جریان رودخانه به کار میرود. در تحقیق حاضر از روش نوین برنامهریزی ژنتیک جهت پیشبینی جریان روزانه رودخانه لیقوان در حوضه آبریز دریاچه ارومیه در دوره آماری ۱۳۷۶ تا ۱۳۸۰ استفاده شد. همچنین نقش حافظه در کاهش یا افزایش دقت پیش بینی مورد بررسی قرار گرفت. جهت مدلسازی جریان رودخانه با برنامهریزی ژنتیک از حافظههای دبی یک روز قبل، دو روز قبل، .... و پنج روز قبل استفاده شد و نتایج بر اساس شاخصهای آماری جذر میانگین مربعات خطا و ضریب همبستگی مورد بررسی قرار گرفت. نتایج تا حافظه دبی چهار روز قبل، رو به بهبود بوده و بعد از آن رو به نزول گذاشت. جهت بررسی بیشتر این فرایند از مدل شبکههای عصبی مصنوعی نیز استفاده گردید. برای مدل شبکههای عصبی، ساختارهای مختلفی مورد بررسی قرار گرفت که ساختار با چهار نرون در لایه ورودی و شش نرون در لایه پنهان و یک نرون در لایه خروجی، بهترین نتایج را داد. برای مدل شبکههای عصبی مصنوعی نیز حافظه تا دبی چهار روز قبل رو به بهبود بوده و بعد از آن رو به نزول میگذارد. در مقایسه نتایج دو مدل، در مورد حالت بهینه مدل برنامهریزی ژنتیک، ضریب همبستگی و جذر میانگین مربعات خطا برای آموزش به ترتیب ۹۵۹/. و ۰۲۹/۰ و برای حالت بهینه مدل شبکههای عصبی مصنوعی به ترتیب ۹۴۸/. و ۲۱۵/. میباشد. لذا برنامهریزی ژنتیک از دقت بیشتری نسبت به مدل شبکههای عصبی مصنوعی برخوردار بوده و به عنوان روشی مناسب و دقیق جهت پیشبینی پیشنهاد میگردد.
کلیدواژه ها:
نویسندگان
نیما فربودنام
دانشگاه آزاد اسلامی واحد مهاباد
محمدعلی قربانی
دانشکده کشاورزی دانشگاه تبریز
محمد تقی اعلمی
دانشکده عمران دانشگاه تبریز
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :