| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,846 |
| تعداد مقالات | 32,300 |
| تعداد مشاهده مقاله | 41,387,020 |
| تعداد دریافت فایل اصل مقاله | 18,562,146 |
مقایسه میزان کارآیی شبکه عصبی مصنوعی و مدل‌های رگرسیونی، منحنی‌سنجه رسوب در برآورد رسوب معلق روزانه | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 3، دوره 1، شماره 4، بهمن 1388، صفحه 240-247 اصل مقاله (546.99 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسنده | ||
| محمد شعبانی* | ||
| استادیار گروه آبخیزداری، واحد ارسنجان، دانشگاه آزاد اسلامی | ||
| چکیده | ||
| تعیین میزان فرسایش خاک و بار رسوبی رودخانه عملاً کاری مشکل است؛ بنابراین روش های مختلفی برای آن ها پیشنهاد شده است. یکی از روش های نوین در حل مسائل مهندسی آب و همچنین برآورد رسوب معلق رودخانه ها، استفاده از شبکه عصبی مصنوعی است که با الگو برداری از شبکه مغز انسان، ضمن اجرای فرآیند آموزش، روابط درونی بین داده ها را کشف کرده و به موقعیت های دیگر تعمیم می دهد. هدف از انجام این تحقیق، بررسی کارآیی روش شبکه عصبی مصنوعی در برآورد رسوب معلق روزانه نسبت به مدل های رگرسیونی (منحنی سنجه رسوب) است. بدین منظور، ابتدا آمار هم زمان دبی آب و دبی رسوب رودخانه شور خارستان در خروجی حوزه آبخیز، در طی یک دوره آماری 22 ساله جمع آوری گردید و پس از رفع نواقص آماری و حذف داده های پرت، از آن ها برای مدل سازی رسوب معلق روزانه با استفاده از روش شبکه عصبی و مدل رگرسیونی خطی استفاده شد. سپس نتایج به دست آمده از دو روش شبکه عصبی و مدل رگرسیون خطی (منحنی سنجه رسوب)، بر اساس معیارهای MAE ،RMSE و R2 ارزیابی شد. نتایج نشان داد که برآورد روش شبکه عصبی مصنوعی، در مقایسه با برآورد مدل رگرسیون خطی (منحنی سنجه رسوب)، دقت بالاتری دارد؛ به طوری که مقدار MAE ،RMSE و R2 برآورد شبکه عصبی به ترتیب، برابر با 19.27، 12.14 و 0.98 و برای مدل رگرسیون خطی، به ترتیب برابر با 36.84، 20.75 و 0.74 است که نشان دهنده پایین بودن خطا در مدل شبکه عصبی مصنوعی نسبت به مدل رگرسیون خطی است. | ||
| کلیدواژه‌ها | ||
| حوزه آبخیز؛ خارستان؛ رگرسیون خطی؛ رودخانه شور؛ فرسایش خاک | ||
| عنوان مقاله [English] | ||
| Comparison of the efficiency of artificial neural networks method and regression model, sediment rating curve, for daily suspended sediment estimation | ||
| نویسندگان [English] | ||
| Mohammad Shabani | ||
| Assistant Professor, Department of Watershed Management, Arsanjan Unit, Azad Islamic University, Iran | ||
| چکیده [English] | ||
| Estimation of soil erosion and sediment yield in a river is a difficult task and several methods have been suggested for its estimation. One the new methods in river engineering and suspended sediment estimation is application of artificial neural networks which uses the same algorithm of human brain to find out the internal relation between data based on the training process. The objective of current study is to explore the capability of artificial neural networks method for estimation of daily suspended sediment in Kharestan watershed located in the northwest of Fars province, Iran. The study of efficiency is based on the comparison of neural network with regression models. For this purpose, 22 years of water and sediment discharge data of Shoor Kharestan River were considered and tested for outliers. Then the estimation was done based on neural networks and linear regression method (sediment rating curve) and were compared based on RMSE, MAE and R2. The results showed that estimation of neural network is more accurate than that of linear regression (sediment rating curve). The estimations of RMSE, MAE and R2 for neural networks method was 19.27, 12.14 and 0.98 respectively while these values for linear regression were 36.84, 20.75 and 0.74 which showed the lower errors of neural networks method compared with linear regression. | ||
| کلیدواژه‌ها [English] | ||
| Kharestan, Linear regression, Shoor River, soil erosion, watershed | ||
|
آمار تعداد مشاهده مقاله: 1,400 تعداد دریافت فایل اصل مقاله: 1,288 |
||