- همه نشریات
- 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
- مجلات ترویجی کشاورزی
- نشریات انجمن ها
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
آمار
| تعداد نشریات | 274 |
| تعداد نشریات سازمان | 73 |
| تعداد شماره‌ها | 1,911 |
| تعداد مقالات | 21,905 |
| تعداد مشاهده مقاله | 11,665,931 |
| تعداد دریافت فایل اصل مقاله | 9,440,751 |
ارزیابی مدل‌های هوش مصنوعی در مدل‌سازی جریان رودخانه، مطالعه موردی: رودخانه گاماسیاب | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 11، دوره 11، شماره 4، زمستان 1398، صفحه 941-954 اصل مقاله (1.01 MB) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2018.115870.1370 | ||
| نویسندگان | ||
معصومه زینعلی  1؛ محمد رضا گلابی2؛ محمد رضا شریفی3؛ مریم حافظ پرست4
| ||
| 1دانشگاه رازی کرمانشاه | ||
| 2دانشگاه شهید چمران | ||
| 3دانشگاه شهید چمران اهواز | ||
| 4دانشگاه رازی | ||
| چکیده | ||
| با پیشبینی جریان رودخانه‌ها علاوه بر مدیریت بهره‌برداری از منابع آب، می‌توان حوادث طبیعی نظیر سیل و خشکسالی را نیز پیشبینی و مهار کرد. استفاده از مدل‌های جدید در این زمینه می‌تواند به مدیریت و برنامه‌ریزی صحیح کمک کند. در این مطالعه، به ارزیابی سه مدل به نامهای، برنامه‌ریزی بیان ژن (GEP)، شبکه بیزین (BN) و ماشین بردار پشتیبان (SVM) پرداخته شده است. داده‌های مورد استفاده برای این پژوهش، داده‌های بارش و جریان روزانه رودخانه گاماسیاب نهاوند در یک دوره 10 ساله (1391-1381) می‌باشد. نتایج نشانگر برتری نسبی مدل برنامه‌ریزی بیان ژن نسبت به بقیه مدل‌ها بود و مدل ماشین بردار پشتیبان (SVM) تقریبا عملکرد بهتری نسبت به شبکه بیزین در مدل‌سازی جریان روزانه رودخانه داشت. علاوه بر این، سرعت اجرای مدل برنامه‌ریزی بیان ژن نسبت به بقیه مدل‌ها بیشتر بود و در زمان کوتاهی قادر به ارائه نتایج بود. همچنین، مدل SVM در تخمین مقادیر کمینه پایانی نیز دچار بیش برازش شده است. در نهایت مدل برنامه‌ریزی بیان ژن با ضریب تبیین 0.9230 و جذر میانگین مربعات 0.5867 در مرحله آموزش و ضریب تبین 0.9025 و جذر میانگین مربعات 0.4936 در مرحله تست، به‌عنوان مدل برتر انتخاب شد. | ||
| کلیدواژه‌ها | ||
| مدل‌سازی جریان؛ مدیریت بهره‌برداری از منابع آب؛ مدل BN؛ مدل GEP؛ مدل SVM | ||
| عنوان مقاله [English] | ||
| Evaluation of artificial intelligence models in river flow modeling, case study: Gamasiab River | ||
| نویسندگان [English] | ||
| massoumeh zeinalie1؛ mohammad reza golabi2؛ mohammad reza sharifi3؛ maryam hafezparast4 | ||
| 1razi univercity | ||
| 2chamran univercity | ||
| 3chamran university | ||
| 4raziuniversity | ||
| چکیده [English] | ||
| Having predicted river flow, we can predict and control natural disasters such as flood and drought in addition to managing utilization of water resources. New models in this domain can help correct management and planning. In this study, three models are evaluated: Gene Expression Planning (GEP), Bayesian Network (BN), and Support Vector Machine (SVM). The data used for this research is precipitation data and daily flow of Gamasiab River in Nahavand during 10 years period (1381-1391). Results indicated that the relative superiority of the gene expression planning model to other models and better performance of SVM model in comparison with BN in daily river flow modeling. In addition, implementing gene expression planning model was faster than other models and could provide results in a short time. The SVM model is also more fitted to estimate the final minimum values. Finally, GEP model with coefficient of determination of 0.9230 and root mean square of 0.5867 in the training phase and coefficient of determination of 0.9025 and root mean square of 0.4936 in the test phase was selected as the superior model. | ||
| کلیدواژه‌ها [English] | ||
| BN model, GEP model, Managing utilization of water resources, Stream modeling, SVM model | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 111 تعداد دریافت فایل اصل مقاله: 46 |
||
