۲۲۸۸۰پ
per
یک روش محاسباتی عصبی-فازی برای مدل سازی سری زمانی هیدرولوژیکی
Neuro-Fuzzy Computing Technique for Modeling Hydrological Time Series A
/حمیده مولامی
: علوم ریاضی
، ۱۳۹۹
، راشدی
۷۷ص
چاپی - الکترونیکی
کارشناسی ارشد
علوم‌ریاضی
۱۳۹۹/۰۴/۰۷
تبریز
ازمهم ترین مسائل در مدیریت حوضه های آبخیز، پیش بین فرآیندهای هیدرولوژی م باشد .استفاده از مدل های جدید در این زمینه م تواند به مدیریت و برنامه ریزی صحیح کم کند .علاوه بر آن پیش بین جریان رودخانه، مخصوصا در شرایط سیلابی، به مسئولان این ام‌ان را خواهد داد که با آمادگ خسارات ناش از سیل را کاهش دهند .ی از روش هایی که اخیرا برای پیش بین و برآورد میزان جریان رودخانه ها به کار م رود، مدل فازی‌عصبی است .در این تحقیق با بهره گیری از روش سیستم استنتاج فازی‌عصبی تطبیق و با کم نرم افزارMATLAB اقدام به پیش بین جریان روزانه رودخانه آج چای در ایستگاه مرکید گردید .برای مدل سازی جریان ی تا پنج روز آینده، داده های دبی روزانه سال های ۱۳۹۶-۱۳۷۲مورد استفاده قرار گرفت .در فرآیند مدل سازی داده های دبی ۱۸سال به عنوان داده های آموزش و بقیه به عنوان داده های آزمون انتخاب گردید .ارزیابی نتایج پیش بین ها با استفاده از معیارهای ریشه میانگین مربعات خطا ( ،(RMSEمیانگین قدر مطلق خطا(MAE ( و ضریب همبستگ(CORR ( نشان داد، سیستم استنتاج فازی‌عصبی تطبیق(ANFIS ( دقت و صحت بالایی در پیش بین داشته است و م تواند به عنوان روش کارآمد و دقیق در پیش بین جریان رودخانه به کار گرفته شود
The most important issues of watershed management, is predicting hydrological processes. Using new models in this field can help to management and proper planning. In addition, predicting of river flow, especially in flood conditions, will allow the authorities to reduce flood damage with the preparation. One of the ways which have recently been used to predict and estimate the flow rate of rivers is neuro-fuzzy model. In the present study,using the method of adaptive neuro-fuzzy inference system and with the help of Matlab sofware, predicted the daily flow of Aji chay river in Markid station. For the modeling of 1to 5 ahead day flow, observed daily flow discharge during 1993 and 2017 years, have been used. the modeling process,18 year data were selected as train datas and other as test datas. Root Mean Squared Error(RMSE), Mean Absolute Error(MAE) and Coefficient of Correlation(CORR) statistical criteria were used to evaluate the performance of the obtained results. ANFIS has been very accurate in predicting accuracy and the can be employed successfully in river flow forecasting
Neuro-Fuzzy Computing Technique for Modeling Hydrological Time Series A
مولامی، حمیده
Molami, Hamideh
سیاه و سفید
نمایه‌سازی قبلی
