- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,729 |
| تعداد مقالات | 31,081 |
| تعداد مشاهده مقاله | 29,016,284 |
| تعداد دریافت فایل اصل مقاله | 16,330,210 |
مدل شبکه عصبی مصنوعی برای تخمین رسوب‌دهی حوزه‌های آبخیز | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 1، دوره 3، شماره 1، اردیبهشت 1390، صفحه 1-11 اصل مقاله (512.9 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2011.101781 | ||
| نویسندگان | ||
| محمدابراهیم بنی‌حبیب* 1؛ احسان امامی2 | ||
| 1استادیار گروه آبیاری، پردیس ابوریحان، دانشگاه تهران | ||
| 2دانش‌آموخته گروه آبیاری، پردیس ابوریحان، دانشگاه تهران | ||
| چکیده | ||
| امروزه رسوب‌دهی حوزه‌های آبخیز از جمله مشکلات بهره‌برداری از منابع آب‌های سطحی در جهان است. با توجه به نقش و اهمیت رسوب در عمر مفید سدهای کشور، عدم توجه به اندازه‌گیری و محاسبه دقیق آن، باعث اتلاف سرمایه‌های ملی می‌شود. بدیهی است که دقت تخمین میزان رسوب‌دهی، بستگی زیادی به روش‌های محاسباتی، معادلات ارائه شده و داده‌ها یا اطلاعات تخمین رسوب دارد. چون عوامل مختلفی در فرسایش و تولید رسوب مؤثر است و بر اساس شرایط هر حوزه ممکن است یک یا چند عامل در تشدید آن مؤثر باشد.از این رو، برای بررسی مسئله رسوب‌دهی هر حوزه باید عوامل مختلف مؤثر در رسوب‌دهی آن منطقه را شناسایی و به‌طور صحیح برآورد کرد و سپس تأثیر عوامل مختلف را بر روی رسوب‌دهی مشخص نمود. در این تحقیق، شبکه‌های عصبی مصنوعی به‌‌عنوان روشی جدید برای تخمین رسوب‌دهی حوزه، به‌کار گرفته شده است. شبکه‌ای با ساختار و آموزش مناسب و داده‌های کافی، قادر است تأثیرات و ارتباط بین رسوب و سایر متغیرهای مؤثر در رسوب‌دهی را بدون استفاده از روابط اختصاصی و معادلات مربوطه فراگیرد. برای تخمین رسوب‌دهی زیرحوزه‌ها، از ساختار MLP استفاده شد. پس از آموزش و آزمایش داده‌ها،بهترین حالت در نظر گرفته شده و سپس با روش رگرسیون‌های چندمتغیره مقایسه شد. نتایج نشان‌دهنده بهبود قابل توجهی در محاسبه و تخمین رسوب و کارآیی روش شبکه‌های عصبی نسبت به‌روش رگرسیون‌های چند متغیره است. | ||
| کلیدواژه‌ها | ||
| انتقال رسوب؛ رگرسیون چندمتغیره؛ ساختار MLP؛ منابع آب سطحی | ||
| عنوان مقاله [English] | ||
| An artificial neural network model for estimation of sediment yield | ||
| نویسندگان [English] | ||
| Mohammad Ebrahim Banihabib1؛ Ehsan Emami2 | ||
| 1Assistant Professor, Abourayhan Pardis, Tehran University, Iran | ||
| 2Former MSc Student, Abourayhan Pardis, Tehran University, Iran | ||
| چکیده [English] | ||
| Sediment yield of watersheds is considered as a problem of water resources management and operation. Considering important role of sedimentation, accurate measurement and estimation of it is important for national investment in water resources development. Accuracy of sediment yield estimation depends on the estimation methods. There are different parameters affectingt sediment yield. These parameters should be considered in simulation of sediment yield. An artificial neural network model is used for estimation of sediment yield in this research. The model with proper structure and sufficient data is trained and tested and it can recognize the relation of the parameters and sediment yield. The proper structure is found to be MLP. The result of the model is compared with a regional analysis model and it shows notable increasing of accuracy by the artificial neural network model. | ||
| کلیدواژه‌ها [English] | ||
| MLP structure, Multi variable regression, Sediment transport, Surface water resources | ||
|
آمار تعداد مشاهده مقاله: 886 تعداد دریافت فایل اصل مقاله: 384 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب