ارتقاء مدل های هوشمند جهت پیش بینی جریان رودخانه با استفاده از داده های توزیع مکانی اقلیمی و سطح برف
Abstract
No abstract recorded for this item.
No abstract recorded for this item.
مدل سازی و شبیه سازی فرایند بارش-رواناب از مسائل مهم هیدرولوژیکی ا ست که تاثیر بسزایی در تحلیل ، برنامه ریزی و مدیریت هرچه بهتر منابع آب دارد. به دلیل ماهیت غیر خطی و خاصیت تصادفی(stochastic) پدیده های مرتبط با بارش-رواناب، پیدا کردن مدلی که در عین سادگی بتواند خصوصیت حوضه را هم
یکی از بیماری های شایع امروزی در کشورهای توسعه یافته صرع می باشد. نوع خاصی از این بیماری تحت عنوان استاتوس اپی لپتیکوس یا صرع مداوم شناخته می شود که با حملات پی در پی و طولانی مدت همراه است و می بایست مراقبت های درمانی ویژه ای از این نوع بیماران به عمل آید. متأسفانه علیرغم پیشرفت
چکیده در دو دهه اخیر استفاده از مدل های غیرخطی در پیش بینی جریان رودخانه ها مورد توجه محققان واقع شده است که از آن جمله می توان به مدل شبکه های عصبی مصنوعی، برنامه ریزی ژنتیک، سری های زمانی، آنالیز موجک و ... اشاره نمود. آنالیز تبدیل موجک از طریق تجزیه سیگنال ها به زمان و فرکانس
پیش بینی دقیق جریان رودخانه در طراحی، بهره برداری و برنامه ریزی علمی منابع آب از اهمیت بسزایی برخوردار است. همین مساله موجب شده تا محققان تحقیقات زیادی در این خصوص انجام دهند. جدا از اینکه چه روشی جهت مدل سازی مورد استفاده قرار گیرد، عملکرد هر مدل، شدیداً تحت تاثیر داده-های تصادف
در این تحقیق کاربرد روش سیستم عصبی مصنوعی در کاهش خطای مدل هیدرودینامیکی برای پیش بینی جریان رودخانه مورد بررسی قرار گرفته است. منطقه ی مورد مطالعه حوزه ی آبخیز رودخانه ی فیروزه- شاهجوب واقع در استان خراسان شمالی، شهرستان بجنورد می باشد که دارای وسعتی به اندازه ی 1233 کیلومتر مرب
امروزه یکی از مهم ترین چالش های موجود در مدل های هیدرولوژیک، استفاده از داده های ورودی با دقتوصحت زیاد است. صحت و دقت داده های بارندگی یکی از موارد تأثیرگذار در خروجی مدل های هیدرولوژیک، مانند جریان رودخانه، است. در مطالعه حاضر کشور ایران با مساحتی حدود 1648000 کیلومتر مربع که با
هدف از این مطالعه پیش بینی رواناب به صورت مکانی با استفاده از اطلاعات ایستگاههای هیدرومتری و هواشناسی بود. بررسی ها نشان می دهد که معمولاً ارتباطات مشخصی بین داده های هواشناسی و هیدرومتری بالادست حوضه با میزان رواناب تولیدی در خروجی حوضه وجود دارد و چنانچه بتوان قوانین نهفته در س
باتوجه به کاهش منابع آب به خصوص در کشور ایران، پیش بینی جریان رودخانه اهمیت زیادی یافته و لازم است از بهترین روش ها استفاده گردد. بدین منظور روش های خطی و غیرخطی زیادی وجود دارد. ازآنجایی که تشخیص خطی یا غیرخطی بودن دبی ماهانه دشوار است، در این پژوهش عملکرد برخی مدل های خطی و غیر
مقاله حاضر به بررسی نحوه عملکرد شبکه های عصبی mlp در ارتباط با خروجی مدل فوریه، fsam، می پردازد. مدل fsam که مدل شبیه ساز بارش است، تحلیل مدل های کلاسیک را در قلمرو فرکانس، که توسعه نظریه طیفی فرآیندهای متداول نظیر طیف الگوهای arima را در درون خود دارد، ارائه می دهد. کاربرد همزما
پیش بینی آورد رودخانه در مدیریت منابع آب از اهمیت فراوانی برخوردار است، اما به دلیل عدم قطعیت بالا در عواملی که فرآیند بارش- رواناب را سبب می گردند، همواره با مشکلاتی همراه بوده است. یکی از روش هایی که می تواند این مشکل را تا حدی کاهش دهد، تحلیل عدم قطعیت پیش بینی های انجام شده م
روشهای متعددی همچون مدل سریهای زمانی، شبکههای عصبی مصنوعی، منطق فازی، نرو فازی و برنامهریزی ژنتیک برای پیشبینی جریان رودخانه به کار میرود. در تحقیق حاضر از روش نوین برنامهریزی ژنتیک جهت پیشبینی جریان روزانه رودخانه لیقوان در حوضه آبریز دریاچه ارومیه در دوره آماری 1376 تا
پیشبینی دقیق جریان رودخانه با استفاده از مدلهای رایج سریهای زمانی، فیزیکی- مفهومی و رگرسیونی در مدیریت علمی منابع آبهای سطحی اهمیت بهسزایی دارد. در این مطالعه دبی جریان روزانه و ماهانه رودخانه باراندوزچای ارومیه در دوره آماری 88-1352، با استفاده از مدلهای سریزمانی خطی آر