بررسی کارایی مدل های هوشمند در برآورد رسوبات معلق رودخانه ای (مطالعه موردی: حوزه آبخیز باباامان، خراسان شمالی)

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 بررسی کارایی مدل های هوشمند در برآورد رسوبات معلق رودخانه ای (مطالعه موردی: حوزه آبخیز باباامان، خراسان شمالی) دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد بررسی کارایی مدل های هوشمند در برآورد رسوبات معلق رودخانه ای (مطالعه موردی: حوزه آبخیز باباامان، خراسان شمالی)  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 مدل های هوشمند در برآورد رسوبات معلق رودخانه ای (مطالعه موردی: حوزه آبخیز باباامان، خراسان شمالی)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن بررسی کارایی مدل های هوشمند در برآورد رسوبات معلق رودخانه ای (مطالعه موردی: حوزه آبخیز باباامان، خراسان شمالی) :

نام کنفرانس، همایش یا نشریه : پژوهشنامه مدیریت حوزه آبخیز

تعداد صفحات :۱۰

برآورد دقیق مقدار رسوبات حمل شده توسط رودخانه ها در پروژه های آبی، از اهمیت بسیاری برخوردار است و لذا شناسایی و پیشنهاد روش های مناسب جهت برآورد دبی رسوبات معلق از اهداف مهمی تلقی می شود که بایستی بر اساس تحقیقات مرتبط به انجام برسد. از جمله این روش ها می توان به روش های یادگیری ماشین از جمله مدل درختان تصمیم گیری، ماشین بردار پشتیبان و شبکه عصبی مصنوعی اشاره کرد. در این پژوهش، کارایی این تکنیک ها در پیش بینی میزان دبی رسوبات معلق حوزه آبخیز باباامان بجنورد مورد بررسی قرار گرفت. داده های ورودی برای پیش بینی رسوبات معلق حوزه باباامان در این پژوهش عبارتند از: دبی جریان، دبی رسوب معلق، بارش و تبخیر، که مربوط به دوره آماری از سال ۱۳۴۹ تا سال ۱۳۸۰ است. جهت ارزیابی دقت و صحت نتایج این مدل ها، معیار های آماری MAE، RMSE، R استفاده شدند. در نهایت نتایج معیار های آماری R و RMSE به ترتیب برای مدل منحنی سنجه ۰.۸۰ و ۵۵۸۶۳.۷۷ مدل شبکه عصبی ۰.۹۸ و ۱.۲۸، مدل درخت تصمیم ۰.۹۶ و ۴۸۸۸۱.۵۶ و مدل ماشین بردار پشتیبان ۰.۹۹ و ۰.۶۹۹۸ است. مقادیر به دست آمده نشان داد که ماشین بردار پشتیبان در مقایسه با روش های نامبرده، تطابق بسیار بیش تری با مقادیر اندازه گیری شده داشته است.

کلید واژه: بار رسوب معلق، درخت تصمیم، شبکه عصبی مصنوعی، ماشین بردار پشتیبان، منحنی سنجه رسوب