حداکثر بارش 24 ساعته یکی از عامل‌های هواشناسی با ماهیتی بسیار تصادفی در مقایسه با سایر داده‌های مرتبط با بارندگی از جمله بارش‌های ماهانه و سالانه است. باتوجه به در دسترس نبودن داده‌های شدت-مدت-فراوانی (I-D-F) و قابلیت دسترسی بیشتر داده‌های حداکثر بارش 24 ساعته، برآورد بارش‌های کوتاه مدت بر مبنای بارش 24 ساعته اقدامی رایج در مطالعات و عملیات آبخیزداری است. برخی از مواقع این اطلاعات ناقص می‌باشد ...

با توجه به نیاز شبیه سازی سری های زمانی بارش در مقیاس های مختلف برای مقاصد مهندسی از یک طرف و عدم ثبت این پارامترها در مقیاس های ریز بدلیل مشکلات اجرایی و اقتصادی از طرف دیگر، ریزمقیاس کردن بارش به مقیاس مورد نظر، یک امر ضروری می باشد. در این مطالعه، برای ریزمقیاس کردن سری زمانی بارش ایستگاه های تبریز و سهند، با توجه به ویژگی های غیرخطی مقیاس های زمانی، مدل ترکیبی موجک - شبکه عصبی مصنوعی (WANN)...

در این پژوهش از دو مدل گردش عمومی جو (GCM ) ( Can-ESM2, BNU-ESM) برای شبیه سازی بارش دوره آتی در شهر تبریز، استفاده شده است. مهم‌ترین ضعف مدل‌های GCM، بزرگ بودن مقیاس مکانی متغیرهای اقلیمی شبیه سازی شده است که روش‌های مختلف ریزمقیاس نمایی درصدد رفع این نقیصه می‌باشند. در این مطالعه برای ریز مقیاس نمودن متغیرهای اقلیمی مدل‌های GCM، از مدل‌های هوش مصنوعی شبکه عصبی مصنوعی ( ANN) و نروفازی ( ANFIS)...

چکیده: توصیف صحیح حالت جو برای پیش بینی دقیق شرایط آینده، خصوصاً در مورد پارامترهای متغییری نظیر مقدار بارش، حیاتی است . برای فرایند بارش، موجودی بخار آب (در هر شکل بخار و مایع یا جامد) و دما، که ماکزیمم موجودی بخار آب در جو را تعیین می کند، از مهمترین متغییرها می باشند. در این تحقیق داده های ماهواره ای از سنجنده amsu-b ماهواره noaa -16 و داده های گمانه زنی بالون در بازه زمانی سال 2003 تا 200...

به موازات رشد سریع جمعیت و افزایش نیاز های بشری، تأمین آب از اهمیت ویژه ای برخوردار شده است. استفاده و مدیریت بهینه منابع آب، مستلزم شناخت پدیده های هیدرولوژیکی می باشد که رواناب سطحی یکی از مهم ترین مراحل این چرخه به شمار می آید. برای اعمال سیاستهای مدیریتی و اتخاذ تصمیمات شایسته در بهره برداری از منابع آب، پیش بینی مقدار جریان های حاصل از بارندگی و مقادیر ورودی به مخازن سد ها و ... از نقش و ج...

مدل های پارامتریک یکی از متداول ترین روش هایی است که برای پیش بینی هیدروگراف سیلاب تدوین گردیده است. لیکن این روشها در نمی توانند فرآیند جریان را بخوبی نمایش دهند. زیرا آنها براساس فرضیاتی ساده کننده در مورد خصوصیات حوضه قرار دارند. در این پژوهش از روش شکبه عصبی مصنوعی از نوع پس انتشار خطا برای مدلسازی فرآیند بارش رواناب استفاده گردید. مدل های شبکه عصبی با استفاده از آمار دبی-بارش سه حوضه مختلف...

فرآیند بارش-رواناب یک پدیده بسیار پیچیده در علم آبشناسی و شناخت آن در مدیریت و برنامه ریزی منابع آب از اهمیت بالایی برخوردار است. مدل سازی هر چه دقیق تر این فرآیند می تواند ضریب اطمینان بالایی در طراحی سازه های هیدرولیکی، ساماندهی رودخانه و برنامه ریزی برای سیستم های هشدار سیل را ممکن نماید. جهت مدل سازی این فرآیند روش های مختلفی نظیر روش های مفهومی و عددی وجود دارد. روش های مبتنی بر هوش مصنوعی...

سیل یکی از پدیده­های ویرانگر طبیعی است که پیش­بینی آن از اهمیت بالایی برخوردار است .فرآیند بارش- رواناب و ایجاد سیلاب پدیده­های فیزیکی هستند که بررسی آنها به سبب  تاثیرپذیری از پارامترهای مختلف، دشوار می­باشد. تاکنون روش­های مختلفی برای تحلیل این پدیده­ها ارایه شده است. پژوهش حاضر با هدف بررسی کارآمدی شبکه­های عصبی مصنوعی در شبیه­سازی فرآیند بارش- رواناب با دخالت دادن ارتفاع آب معادل برف در حوز...

پدیده بارش تابع عوامل زیادی می باشد که پیش بینی آن به روش های معمول آماری از دقت کمی برخوردار است. پیش بینی بارش با استفاده از شبکه عصبی مصنوعی و سیستم استنتاج فازی در سال های اخیر، توجه زیادی معطوف شده است. استان کردستان با مساحتی حدود 28203 کیلومتر مربع بین 34 درجه و 45 دقیقه تا 36 درجه و 28 دقیقه عرض شمالی و 42 درجه و 31 دقیقه تا 48 درجه و 16 دقیقه طول شرقی به دلیل ریزش جوی زیاد یکی از پرآب ...

تحقیق حاضر با هدف بررسی تأثیر شاخص‌های پیوند از دور بر رخداد بارش ماهانه و پیش‌بینی بارندگی در حوزۀ آبخیز فلات مرکزی ایران با استفاده از مدل شبکة عصبی مصنوعی چندگامی مستقیم (DMSNN) با پارامترهای مذکور است. براین مبنا مقادیر بارش طی دورة مشترک آماری 1981-2014 در 20 ایستگاه سینوپتیک منطقۀ مورد مطالعه انتخاب شد، به‌طوری که دورۀ آماری 1981- 2004 برای توسعة مدل و سال‌های 2004-2014 جهت صحت‌سنجی مدل ب...