مدلسازی نوسان‌های ماهانۀ آب زیرزمینی به وسیلۀ تبدیل موجک و شبکۀ عصبی پویا
مدلسازی نوسان‌های زمانی آب زیرزمینی، در مدیریت حوزههای آبریز و ایجاد تعادل در عرضه و تقاضای آب اهمیت زیادی دارد. در سالهای اخیر استفاده از تحلیل موجک برای تجزیۀ سریهای زمانی و ترکیب آن با شبکههای عصبی به‌صورت گستردهای در مدلسازی پدیدههای هیدرولوژیکی به‌کار رفته است. در این تحقیق، توانایی مد...
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
University of Tehran, College of Aburaihan
2014-04-01
|
| Series: | مدیریت آب و آبیاری |
| Subjects: | |
| Online Access: | https://jwim.ut.ac.ir/article_51639_e1a8b61c75d2a1a405ba4f7962c15feb.pdf |
| id |
doaj-10d5b430dfb4486190c63221fb41ed7e |
|---|---|
| record_format |
Article |
| spelling |
doaj-10d5b430dfb4486190c63221fb41ed7e2021-07-11T13:35:42ZfasUniversity of Tehran, College of Aburaihanمدیریت آب و آبیاری2251-62982382-99312014-04-0141738710.22059/jwim.2014.5163951639مدلسازی نوسان‌های ماهانۀ آب زیرزمینی به وسیلۀ تبدیل موجک و شبکۀ عصبی پویاطاهر رجایی0هادی ابراهیمی1استادیار، گروه مهندسی عمران، دانشکدۀ فنی و مهندسی، دانشگاه قم، قم، ایرانکارشناس ارشد سازه های هیدرولیکی، گروه مهندسی عمران، دانشکدۀ فنی و مهندسی، دانشگاه قم، قم، ایرانمدلسازی نوسان‌های زمانی آب زیرزمینی، در مدیریت حوزههای آبریز و ایجاد تعادل در عرضه و تقاضای آب اهمیت زیادی دارد. در سالهای اخیر استفاده از تحلیل موجک برای تجزیۀ سریهای زمانی و ترکیب آن با شبکههای عصبی به‌صورت گستردهای در مدلسازی پدیدههای هیدرولوژیکی به‌کار رفته است. در این تحقیق، توانایی مدل ترکیبی موجک- شبکۀ عصبی پویا برای پیشبینی یک ماه آیندۀ عمق آب زیرزمینی ارزیابی شده و این مدل با مدلهای شبکۀ عصبی و رگرسیون خطی چندمتغیره مقایسه شده است. دادههای استفاده‌شده برای تشکیل مدلها فقط عمق آب زیرزمینی ماهانه است که در دو پیزومتر واقع در دشت قم به‌مدت ده سال اندازهگیری شده است. نتایج نشان داد عملکرد مدل شبکۀ عصبی چندان رضایتبخش نیست. مدل رگرسیون خطی چندمتغیره نیز نتایج دقیقی نداشت و مقدار پیش‌بینی‌شده با این مدل در اکثر موارد بیشتر از مقدار واقعی بود، درحالیکه مدل ترکیبی موجک- شبکۀ عصبی با استفاده از موجک مادر Meyer با دو سطح تجزیه، توانست یک ماه آینده را با ضریب‌های نش 993/0 و 974/0 به‌ترتیب برای پیزومترهای 1 و 2 پیشبینی کند.https://jwim.ut.ac.ir/article_51639_e1a8b61c75d2a1a405ba4f7962c15feb.pdfپیشبینیدشت قمرگرسیون خطی چندمتغیرهسری زمانیعمق آب زیرزمینی |
| collection |
DOAJ |
| language |
fas |
| format |
Article |
| sources |
DOAJ |
| author |
طاهر رجایی هادی ابراهیمی |
| spellingShingle |
طاهر رجایی هادی ابراهیمی مدلسازی نوسان‌های ماهانۀ آب زیرزمینی به وسیلۀ تبدیل موجک و شبکۀ عصبی پویا مدیریت آب و آبیاری پیشبینی دشت قم رگرسیون خطی چندمتغیره سری زمانی عمق آب زیرزمینی |
| author_facet |
طاهر رجایی هادی ابراهیمی |
| author_sort |
طاهر رجایی |
| title |
مدلسازی نوسان‌های ماهانۀ آب زیرزمینی به وسیلۀ تبدیل موجک و شبکۀ عصبی پویا |
| title_short |
مدلسازی نوسان‌های ماهانۀ آب زیرزمینی به وسیلۀ تبدیل موجک و شبکۀ عصبی پویا |
| title_full |
مدلسازی نوسان‌های ماهانۀ آب زیرزمینی به وسیلۀ تبدیل موجک و شبکۀ عصبی پویا |
| title_fullStr |
مدلسازی نوسان‌های ماهانۀ آب زیرزمینی به وسیلۀ تبدیل موجک و شبکۀ عصبی پویا |
| title_full_unstemmed |
مدلسازی نوسان‌های ماهانۀ آب زیرزمینی به وسیلۀ تبدیل موجک و شبکۀ عصبی پویا |
| title_sort |
مدلسازی نوسان‌های ماهانۀ آب زیرزمینی به وسیلۀ تبدیل موجک و شبکۀ عصبی پویا |
| publisher |
University of Tehran, College of Aburaihan |
| series |
مدیریت آب و آبیاری |
| issn |
2251-6298 2382-9931 |
| publishDate |
2014-04-01 |
| description |
مدلسازی نوسان‌های زمانی آب زیرزمینی، در مدیریت حوزههای آبریز و ایجاد تعادل در عرضه و تقاضای آب اهمیت زیادی دارد. در سالهای اخیر استفاده از تحلیل موجک برای تجزیۀ سریهای زمانی و ترکیب آن با شبکههای عصبی به‌صورت گستردهای در مدلسازی پدیدههای هیدرولوژیکی به‌کار رفته است. در این تحقیق، توانایی مدل ترکیبی موجک- شبکۀ عصبی پویا برای پیشبینی یک ماه آیندۀ عمق آب زیرزمینی ارزیابی شده و این مدل با مدلهای شبکۀ عصبی و رگرسیون خطی چندمتغیره مقایسه شده است. دادههای استفاده‌شده برای تشکیل مدلها فقط عمق آب زیرزمینی ماهانه است که در دو پیزومتر واقع در دشت قم به‌مدت ده سال اندازهگیری شده است. نتایج نشان داد عملکرد مدل شبکۀ عصبی چندان رضایتبخش نیست. مدل رگرسیون خطی چندمتغیره نیز نتایج دقیقی نداشت و مقدار پیش‌بینی‌شده با این مدل در اکثر موارد بیشتر از مقدار واقعی بود، درحالیکه مدل ترکیبی موجک- شبکۀ عصبی با استفاده از موجک مادر Meyer با دو سطح تجزیه، توانست یک ماه آینده را با ضریب‌های نش 993/0 و 974/0 به‌ترتیب برای پیزومترهای 1 و 2 پیشبینی کند. |
| topic |
پیشبینی دشت قم رگرسیون خطی چندمتغیره سری زمانی عمق آب زیرزمینی |
| url |
https://jwim.ut.ac.ir/article_51639_e1a8b61c75d2a1a405ba4f7962c15feb.pdf |
| work_keys_str_mv |
AT ṭạhrrjạyy mdlsạzynwsạnhạymạhạnەậbzyrzmynybhwsylەtbdylmwjḵwsẖbḵەʿṣbypwyạ AT hạdyạbrạhymy mdlsạzynwsạnhạymạhạnەậbzyrzmynybhwsylەtbdylmwjḵwsẖbḵەʿṣbypwyạ |
| _version_ |
1721308415465095168 |