- 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
- نشریات انجمن ها
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات ترویجی کشاورزی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
آمار
| تعداد نشریات | 274 |
| تعداد نشریات سازمان | 73 |
| تعداد شماره‌ها | 1,682 |
| تعداد مقالات | 19,414 |
| تعداد مشاهده مقاله | 10,716,264 |
| تعداد دریافت فایل اصل مقاله | 8,253,455 |
ارزیابی مدل‌های هوش مصنوعی در مدل سازی جریان رودخانه مطالعه موردی:رودخانه گاماسیاب | ||
| مهندسی و مدیریت آبخیز | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 22 مرداد 1398 | ||
| 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 نمود. استفاده از مدل‌های جدید در این زمینه می‌تواند به مدیریت و برنامه‌ریزی صحیح کمک کند. در این مطالعه، به ارزیابی 3 مدل به نام‌های، برنامه ریزی 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 برنامه ریزی 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 9230/0 و جذر میانگین مربعات 5867/0 در مرحله آموزش و ضریب تبین 9025/0 و جذر میانگین مربعات 4936/0 در مرحله تست به عنوان مدل برتر انتخاب شد. | ||
| کلیدواژه‌ها | ||
| مدل‌سازی جریان؛ مدل GEP؛ مدلBN؛ 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 backup vector machine (SVM). The data used for this research is precipitation data and daily flow of Gamasiab River in Nahavand during a 10 year period (1381-1391). Results indicated the relative superiority of the gene expression planning model to other models and better performance of SVM model in comparison with Bayesian network 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 estimating the final minimum values. Finally, gene expression planning model with coefficient of determination at 0.9230 and root mean square at 0.5867 in the training phase and coefficient of determination at 0.9025 and root mean square at 0.4936 in the test phase was selected as the superior model. | ||
| کلیدواژه‌ها [English] | ||
| Stream modeling, GEP model, BN model, SVM model | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 3 |
||
