[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
آرشیو مجله و مقالات::
اطلاعات نشریه::
نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
نمایه ها::
::
اطلاعیه
قابل توجه مخاطبین محترم نشریه
به اطلاع میرساند جهت ارتباط با نشریه صرفاً از طریق شماره تلفن‌های زیر تماس حاصل فرمایید:
شماره تلفن ثابت:27822333-021


 
..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آخرین مطالب بخش
:: اصول اخلاقی انتشار
:: فهرست مقالات در دست چاپ
:: راهنمای نگارش مقالات
:: درباره نشریه
..
آخرین مطالب سایر بخش‌ها
..
نظرسنجی
ارزیابی گستره و عنواویم محور‌های دریافت مقاله
   
..
نمایه ها
..
:: دوره 10، شماره 33 - ( 4-1402 ) ::
جلد 10 شماره 33 صفحات 97-82 برگشت به فهرست نسخه ها
مقایسه مدل‌های شبکه عصبی مصنوعی و یادگیری عمیق در مدلسازی بارش-رواناب رودخانه کشف‌رود و پیش‌بینی اثر تغییر اقلیم بر پارامترهای هواشناسی و دبی رودخانه
محمد حسین شاهانی ، وحید رضاوردی نژاد ، سید عباس حسینی
دانشگاه ارومیه ، v.verdinejad@urmia.ac.ir
چکیده:   (992 مشاهده)
هدف از این تحقیق مقایسه عملکرد مدل­های شبکه عصبی مصنوعی (ANN) و شبکه عصبی عمیق (DNN) در مدلسازی بارش-رواناب رودخانه کشف­رود و پیش­بینی اثر تغییر اقلیم بر پارامترهای هواشناسی و دبی رودخانه می­باشد. بدین منظور عملکرد دو مدل از شبکه عصبی مصنوعی (MLP) و یادگیری عمیق (CNN) در مدل­سازی بارش-رواناب با ورودی­هایی از بارش و دبی روزانه با تاخیرهای مختلف با یکدیگر مقایسه شد. سپس از پیش­بینی مدل LARS-WG6 در دوره آتی (2021-2040) در سناریوهای مختلف تغییر اقلیم (RCP26، RCP45 و RCP85) به عنوان ورودی مدل هوش مصنوعی برتر استفاده شده و دبی رودخانه و مقادیر حدی آن پیش­بینی گردید. یافته­های تحقیق نشان داد که مدل CNN با ورودی بارندگی با تاخیر صفر تا 2 روز و دبی رودخانه با تاخیر 1 روز بهترین عملکرد را در مدلسازی دبی رودخانه داشت. پیش‌بینی‌های LARS-WG6 نشان داد که افزایش حداقل و حداکثر دما در آینده در ماه‌های مختلف در محدوده 3/0 تا 1/2 درجه سانتیگراد خواهد بود. بارندگی سالانه در همه سناریوهای تغییر اقلیم در آینده افزایش خواهد یافت. بیشترین افزایش بارندگی سالانه در آینده نسبت به دوره پایه در سناریوی RCP26 به میزان 14% خواهد بود و حداکثر دبی در سناریوی مذکور حدود 18 درصد افزایش خواهد یافت.
 
واژه‌های کلیدی: بارش-رواناب، تغییر اقلیم، شبکه عصبی مصنوعی، کشف‌رود، یادگیری عمیق
متن کامل [PDF 4544 kb]   (140 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: هیدرولوژی و برنامه ریزی منابع آب
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Shahani M H, rezaverdinejad V, Hosseini S A. Comparison of artificial neural network and deep learning models in rainfall-runoff modeling of Kashafrood river and predicting climate change impact on meteorological parameters and river flow. Iranian Dam and Hydroelectric Powerplant 2023; 10 (33) :82-97
URL: http://journal.hydropower.org.ir/article-1-508-fa.html

شاهانی محمد حسین، رضاوردی نژاد وحید، حسینی سید عباس. مقایسه مدل‌های شبکه عصبی مصنوعی و یادگیری عمیق در مدلسازی بارش-رواناب رودخانه کشف‌رود و پیش‌بینی اثر تغییر اقلیم بر پارامترهای هواشناسی و دبی رودخانه. سد و نیروگاه برق آبی ایران. 1402; 10 (33) :82-97

URL: http://journal.hydropower.org.ir/article-1-508-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 10، شماره 33 - ( 4-1402 ) برگشت به فهرست نسخه ها
نشریه سد و نیروگاه برق آبی Journal of Dam and Hydroelectric Powerplant
Persian site map - English site map - Created in 0.05 seconds with 41 queries by YEKTAWEB 4652