بررسی کارایی روش های رگرسیون بردار پشتیبان، شبکه عصبی پرسپترون چندلایه و رگرسیون خطی چندمتغیره به منظور پیش بینی تراز سطح آب زیرزمینی (مطالعه موردی: دشت شهرکرد)
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
بررسی کارایی روش های رگرسیون بردار پشتیبان، شبکه عصبی پرسپترون چندلایه و رگرسیون خطی چندمتغیره به منظور پیش بینی تراز سطح آب زیرزمینی (مطالعه موردی: دشت شهرکرد) دارای ۱۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد بررسی کارایی روش های رگرسیون بردار پشتیبان، شبکه عصبی پرسپترون چندلایه و رگرسیون خطی چندمتغیره به منظور پیش بینی تراز سطح آب زیرزمینی (مطالعه موردی: دشت شهرکرد) کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی بررسی کارایی روش های رگرسیون بردار پشتیبان، شبکه عصبی پرسپترون چندلایه و رگرسیون خطی چندمتغیره به منظور پیش بینی تراز سطح آب زیرزمینی (مطالعه موردی: دشت شهرکرد)،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن بررسی کارایی روش های رگرسیون بردار پشتیبان، شبکه عصبی پرسپترون چندلایه و رگرسیون خطی چندمتغیره به منظور پیش بینی تراز سطح آب زیرزمینی (مطالعه موردی: دشت شهرکرد) :
سال انتشار : و ۱۳۹۶
نام کنفرانس، همایش یا نشریه : پژوهشنامه مدیریت حوزه آبخیز
تعداد صفحات :۱۶
تراز سطح آب زیرزمینی عاملی است که امکان قضاوت صحیح در مورد روند تغییرات آبخوان و مدیریت لازم در حوزه آبخیز را ایجاد می کند. در این تحقیق از اطلاعات ماهانه ۱۸ چاه مشاهده ای در دشت شهرکرد طی سال های ۱۳۷۹ تا ۱۳۸۹ به منظور شبیه سازی و پیش بینی سطح آب زیرزمینی با مدل های رگرسیون خطی چند متغیره (MLR)، شبکه عصبی پرسپترون چند لایه (MLP) و دو مدل رگرسیونی ماشین بردار پشتیبان (SVR) با توابع کرنل پایه شعاعی (RBF) و خطی (Linear) استفاده شده است. با توجه به معیارهای خطای ضریب راندمان (NS) و ریشه میانگین مربعات خطا (RMSE)، مدل MLP در ۵۶ درصد و مدل SVR نیز در ۴۴ درصد موارد عملکرد بهتری نسبت به نتایج کل سایر مدل ها داشته اند. به عنوان نمونه در چاه شماره ۱ (بخش مرکزی دشت)، مدل SVR-RBF با ترکیب ورودی پارامترهای متشکل از تراز سطح آب زیرزمینی، دما، تبخیر و بارش بر سایر مدل ها برتری داشته است. همچنین مقایسه کلی نتایج دو روش SVR، حاکی از برتری تابع کرنل RBF بر حالت خطی بوده است. عملکرد کلی مدل های MLP، SVR-RBF و SVR-Linear برای معیار NS به ترتیب برابر با ۰.۷۰۳، ۰.۶۵۶ و ۰.۶۵۵ و در شاخص RMSE نیز به ترتیب برابر با ۰.۸۵۷، ۰.۹۰۵ و ۰.۹۱۴ متر به دست آمده است.
کلید واژه: پیش بینی سطح آب زیرزمینی، رگرسیون بردار پشتیبان، شبکه عصبی پرسپترون، رگرسیون چند متغیره، دشت شهرکرد
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.