[صفحه اصلی ]   [Archive] [ English ]  
:: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 10، شماره 33 - ( 4-1395 ) ::
جلد 10 شماره 33 صفحات 47-57 برگشت به فهرست نسخه ها
مقایسه کارایی مدل شبکه عصبی مصنوعی، سری زمانی و مدل ترکیبی ANN-ARIMA در مدلسازی و پیش‌بینی شاخص منبع آب زیرزمینی (GRI) (مطالعه موردی: جنوب استان قزوین)
فاطمه مقصود*، محمدرضا یزدانی، محمد رحیمی، آرش ملکیان، علی ذوالفقاری
دانشگاه تربیت مدرس
چکیده:   (7962 مشاهده)

خشکسالی آب زیرزمینی یکی از انواع خشکسالی است که در اثر تغذیه ناکافی مخازن سفره‌های آب زیرزمینی بوجود آمده و شاخص منبع آب زیرزمینی (GRI) به عنوان روشی برای بیان وضعیت سطح آب زیرزمینی محسوب می‌شود. تاکنون روش‌ها و مدل‌های مختلفی برای پیش‌بینی و مدل‌سازی این پدیده ارائه شده است اما از آنجا که انتخاب یک مدل مناسب کار مشکلی می‌باشد می‌توان به جای استفاده از یک مدل؛ ترکیبی از مدل‌های منفرد قابل قبول را مورد استفاده قرار داد تا بتوان به پیش‌بینی مناسبت‌تر و قابل اعتماد‌تری دست یافت. در این تحقیق پس از محاسبه مقادیر GRI طی دوره آماری(1363-1390) در جنوب استان قزوین و بررسی ارتباط آن با پارامترهای هواشناسی (بارندگی، دبی، تبخیروتعرق پتانسیل، دما (میانگین، ماکزیمم، مینیمم)) و  سیگنالهای اقلیمی ( MEI، SOI، AMM، AMO و PDO)، با استفاده از آزمون  گاما در سه ساختار ترکیب ورودی، اقدام به مدل‌سازی با شبکه عصبی مصنوعی گردید. نتایج نشان داد که سیگنال اقلیمی SOI و پارامترهای دمایی دارای بیشترین همبستگی معنی دار با مقادیر GRI می‌باشند. استفاده از پارامترهای هواشناسی نیز سبب بهبود عملکرد شبکه عصبی گردید. همچنین مدل سریزمانیARIMA(1,1,3)(2,0,1) با توجه به معیارهای ارزیابی آکاییک و شوارتز به عنوان مدل منتخب تعیین گردید. در نهایت نیز مدل‌سازی با مدل ترکیبی ANN-ARIMA انجام گرفت که عملکرد بهتری نسبت به دو مدل شبکه عصبی و سری زمانی نشان داد. (R2=0.94, RMSE= 0.05)

واژه‌های کلیدی: شبکه عصبی مصنوعی، سری زمانی، آزمون گاما، GRI، SOI، قزوین.
متن کامل [PDF 724 kb]   (978 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1393/6/30 | پذیرش: 1395/3/30 | انتشار: 1395/3/30
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:

Maghsoud F, yazdani M R, rahimi M, Malekian A, Zolfaghari A. Performance Comparison of Artificial Neural Network, Time Series and ANN-ARIMA For Groundwater Resources Index (GRI) Forecasting (Case Study: South of Qazvin Province). jwmseir. 2016; 10 (33) :47-57
URL: http://jwmsei.ir/article-1-373-fa.html

مقصود فاطمه، یزدانی محمدرضا، رحیمی محمد، ملکیان آرش، ذوالفقاری علی. مقایسه کارایی مدل شبکه عصبی مصنوعی، سری زمانی و مدل ترکیبی ANN-ARIMA در مدلسازی و پیش‌بینی شاخص منبع آب زیرزمینی (GRI) (مطالعه موردی: جنوب استان قزوین). مجله علوم ومهندسی آبخیزداری ایران. 1395; 10 (33) :47-57

URL: http://jwmsei.ir/article-1-373-fa.html



دوره 10، شماره 33 - ( 4-1395 ) برگشت به فهرست نسخه ها
مجله علوم ومهندسی آبخیزداری ایران Iranian Journal of Watershed Management Science and Engineering
Persian site map - English site map - Created in 0.05 seconds with 30 queries by YEKTAWEB 4240