Presentation of the most suitable model in order to forecasting of Runoff in Gharesou basin by Artificial neural networks

Tahere, Sarmasti and Salahi, B. and Shayeghi, H. (2010) Presentation of the most suitable model in order to forecasting of Runoff in Gharesou basin by Artificial neural networks. Other thesis, University of Mohaghegh Ardabili.

[img] Text
پایان نامه کلی.pdf

Download (708kB)
Official URL: http://uma.ac.ir/

Abstract

Due to the increasing world population growth, increasing per capita consumption of water, lack of fresh water can be obtained, the flood problem as one of the phenomena of destruction and etc. need accurate prediction of runoff from rainfall, a fundamental role in planning and management and use vector optimization and stability and ultimately to predict flood plays. Element in predicting climate far different methods are presented. Nowadays with the development of intelligent methods such as science, climatology seeking solutions beyond classical methods in the field of climatic elements are predicted. One of the ways that the attention of many scientific circles, has attracted the use of artificial neural network models are. Neural network capable, with the experimental data processing, or knowledge of law lies at the heart of learn data, thus we expect the neural network a useful tool for prediction is a model. In this study, using the variables mean monthly rainfall and average monthly runoff (a month later) during the 33-year statistical term (1972-2008) as input multi-layer perceptron network (MLP), for predicting runoff in January 2005 to December 2008 in the covers. 37 year period of available statistics, about 90 percent of the 33 years (396 months) for the Network and 4 years (48 months) remaining in the test phase of the network is used. For this purpose, facilities and functions available in MATLAB software was used for each month a network with error less than 5 percent was designed. After the network performance indices such as coefficient of determination, mean square error squares, mean square error, mean absolute error, mean percentage error and correlation coefficient was observed that predict runoff with acceptable accuracy has been done so that the rate coefficient 0.99 and the average error with the actual data is equal to 0.88 percent. Then evaluate the ability of artificial neural networks than linear regression models and nonlinear simple criteria to predict presentation appropriate amounts of runoff in the basin basin Nagorno-Semitic abuse were studied studied. The results also confirm the ability of artificial neural network model showed that runoff could design networks with a maximum 1.09 percent difference with real data to estimate the correlation data so that the estimated real and reached 0.99, while that Simple linear regression models and nonlinear correlation, each with 0.97 and 0.94 respectively after the neural network model were the mean errors are respectively 3.3 and 8.9 respectively, which differ with high runoff The real show while the network with the mean error of 0.88, which is significantly superior to artificial neural network model to predict runoff shows.

Item Type: Thesis (Other)
Persian Title: ارائه مناسبترين ضابطه براي پيش بيني مقادير رواناب در حوضه آبريزقره¬سو با استفاده از مدل شبکه¬هاي عصبي مصنوعي
Persian Abstract: با توجه به رشد روز افزون جمعيت جهان، افزايش مصرف سرانه آّب، کمبود آب شيرين قابل استحصال، مسئله سيل به عنوان يکي از پديده¬هاي ويرانگر و غيره، ضرورت پيش¬بيني دقيق رواناب حاصل از بارش، نقش اساسي در برنامه¬ريزي و مديريت و بهره¬برداري بهينه و پايدار آن¬ها و نهايتاً در پيش¬بيني سيلاب ايفا مي¬کند. در زمينه پيش¬بيني عناصر اقليمي تا کنون روش¬هاي مختلفي ارائه شده است. امروزه با توجه به پيشرفت علومي چون روش¬هاي هوشمند، اقليم شناسان در پي يافتن راه حل¬هاي فراتر از روش¬هاي کلاسيک در زمينه پيش¬بيني عناصر اقليمي هستند. يکي از روش¬هايي که توجه بسياري از محافل علمي را به خود جلب نموده است، استفاده از مدل¬هاي شبکه عصبي مصنوعي مي¬باشد. شبکه¬هاي عصبي قادرند، با پردازش داده¬هاي تجربي، دانش يا قانون نهفته در بطن داده¬ها را فرا گيرند، بدين جهت انتظار مي¬رود، شبکه¬هاي عصبي ابزاري مناسب براي يک مدل پيش¬بيني باشد. در اين پژوهش با استفاده از متغيرهاي متوسط ماهانه بارش و متوسط ماهانه رواناب (يک ماه بعد) طي دوره آماري بلندمدت 33 ساله (1972-2008) به عنوان ورودي شبكه پرسپترون چند¬لايه (MLP)، جهت پيش¬بيني رواناب ژانويه سال 2005 تا دسامبر سال 2008 را در بر مي¬گيرد. از 37 سال دوره آماري موجود در حدود 90 درصد آن يعني 33 سال (396 ماه) براي آموزش شبکه و 4 سال (48 ماه) باقيمانده در مرحله آزمون شبکه به کار برده شده است. بدين منظور از امكانات و توابع موجود در نرم¬افزار MATLAB بهره¬گرفته شد و براي هر ماه يك شبكه با خطاي کمتر از 5 درصد طراحي گرديد. پس از بررسي شاخص¬هاي عملكرد شبكه از جمله ضريب تعيين، مجذور ميانگين مربعات خطا، ميانگين مربعات خطا، ميانگين مطلق خطا، ميانگين درصد خطا و ضريب همبستگي مشاهده شد كه پيش¬بيني رواناب با دقت قابل قبولي انجام شده است به طوري كه ميزان ضريب همبستگي¬آن 99/0 و ميانگين خطاي آن با داده¬هاي واقعي برابر 88/0 درصد بوده است. سپس براي ارزيابي توانايي شبکه¬هاي عصبي مصنوعي، نسبت به مدل¬هاي رگرسيون خطي و غير¬خطي ساده در ارائه مناسبترين ضابطه براي پيش¬بيني مقادير رواناب در حوضه آبريز ساميان واقع در حوضه آبريز قره¬سو، بررسي و مقايسه شدند. نتايج ضمن تأييد توانايي مدل شبکه عصبي مصنوعي نشان داد شبکه¬هاي طراحي شده توانستند رواناب را با حداکثر اختلاف 09/1 درصد با داده¬هاي واقعي برآورد نمايند به طوري که ميزان همبستگي داده¬هاي برآورد شده و واقعي به 99/0 رسيده در حالي است که مدل¬هاي رگرسيوني ساده خطي و غير¬خطي هر کدام با همبستگي 97/0 و 94/0 به ترتيب بعد از مدل شبکه¬هاي عصبي قرار گرفتند و ميانگين خطاي آن¬ها به ترتيب 3/3 و 9/8 بدست آمد که اختلاف بالايي را با رواناب واقعي نشان مي-دهد در حالي که شبکه داراي ميانگين خطاي 88/0 مي¬باشد که برتري قابل توجه مدل شبکه عصبي مصنوعي را در پيش¬بيني رواناب نشان مي¬دهد.
Supervisor:
SupervisorE-mail
Salahi, B.UNSPECIFIED
Advisor:
AdvisorE-mail
Shayeghi, H.UNSPECIFIED
Subjects: Faculty of Literature & Humanities > Department of Geography
Divisions > Faculty of Literature & Humanities > Department of Geography
Divisions: Subjects > Faculty of Literature & Humanities > Department of Geography
Faculty of Literature & Humanities > Department of Geography
Date Deposited: 13 Jul 2019 07:22
Last Modified: 13 Jul 2019 07:22
URI: http://repository.uma.ac.ir/id/eprint/7775

Actions (login required)

View Item View Item