بهبود پیش بینی فرآیندهای هیدرولوژیکی با استفاده از خوشه بندی مجموعه ای سری های زمانی

پایان نامه
چکیده

به دلیل رشد جمعیت شهری، مدیریت منابع آب از اهمیت به سزایی برخوردار می باشد. جهت مدیریت پایدار در یک حوضه مدلسازی دقیق فرآیندهای هیدرولوژیکی مانند فرآیند بارش- رواناب نیاز است. مدلسازی صحیح بارش- رواناب میتواند اطلاعات موثری برای برنامه ریزی شهری، زراعت، سیل و مدیریت منابع آب برای یک حوضه بدهد. بعلاوه، فرآیندهای هیدرولوژیکی دارای برخی ویژگیها همچون پیچیدگی، غیرخطی و استوکستیک بودن هستند که پیش بینی را بغرنج می کند. به دلیل ویژگی های مذکور خطای مدل در هرگونه رویکرد پیش بینی اجتناب ناپذیر است. بنابراین مدل های هیدرولوژیکی فراوانی به منظور شبیه سازی چنین فرآیند پیچیده ای توسعه یافته اند. مطالعات اخیر نشان داده اند که بکارگیری مدل های غیرخطی می توانند نتایج بهتری راجع به این مسئله فراهم آورند.

منابع مشابه

بهبود پیش بینی مجموعه ای فرآیندهای هیدرولوژیکی با استفاده از خوشه بندی مجموعه ای

مدل های هیدرولوژیکی ابزاری مهم در مطالعه ی اقلیم و فرآیندهای هیدرولوژیکی حوضه ها هستند که در مدیریت منابع آب، کنترل سیلاب و پیش بینی دبی جریان در رودخانه ها همواره مورد استفاده قرار گرفته اند. در سال های اخیر به علت خاصیت غیر خطی، وابستگی به متغییرهای زمانی و مکانی و همچنین خاصیت استوکستیکی بالای فرآیندهای هیدرولوژیکی، مدل های متعددی برای مدل سازی این پدیده ها ارائه شده اند. با وجود طیف گسترده ...

15 صفحه اول

پیش بینی تورم با استفاده از رهیافت سری های زمانی

امروزه، پیش­بینی متغیرهای کلان اقتصادی از جمله نرخ تورم، از اهمیت ویژه­ای برای سیاستگذاری و برنامه ریزی های اقتصادی برخوردار شده است. در این راستا در دهه های اخیر، مدل­های پیش­بینی گوناگونی برای نرخ تورم مطرح شده اند. در این مقاله، با استفاده از سری زمانی نرخ تورم اعلام شده از سوی مرکز آمار ایران (از اسفند ۱۳۸۲ تا آذر ۱۳۹۳)،  مدل (۲،۲،۳)arima انتخاب شد. بعد از تصریح مدل، ابتدا پیش بینی درون نمو...

متن کامل

کاربردهای شبکه های عصبی در پیش بینی سری های زمانی

استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...

متن کامل

پیش بینی خشکسالی هیدرولوژیکی با استفاده از تحلیل سری های زمانی(مطالعه موردی: استان خراسان شمالی)

در این تحقیق به منظور پیش بینی خشکسالی هیدرولوژیک در استان خراسان شمالی، از روش سری زمانی (مدل arima) و مدل های شبکه عصبی مصنوعی (ann) و k-نزدیک ترین همسایگی (knn) استفاده شد. در هر یک از این مدل ها از داده های بارندگی، دما و دبی در طی دوره آماری مشترک 1389-1360 استفاده شد که 70% داده ها برای آموزش و 30% باقی مانده برای آزمایش مدل ها مورد استفاده قرار گرفت. برای دستیابی به بهترین پیش بینی از جر...

پیش بینی بار کوتاه مدت با استفاده از تجزیه سری زمانی بار وشبکه عصبی

چکیده پیش بینی بارکوتاه ‌مدت یک فرآیند پایه در بهره برداری سیستم‌های قدرت محسوب می‌شود. بسیاری از توابع بهره‌برداری نظیر آرایش تولید، پخش بار اقتصادی، ارزیابی ایمنی و هماهنگی آبی حرارتی به پیش‌ینی بار کوتاه‌مدت وابسته می‌باشند. در طی سه دهه اخیر روش های مختلفی برای پیش‌بینی بار کوتاه ‌مدت ارائه شده و نرم‌افزارهای صنعتی متعددی نیز بر پایه این روش ها تهیه شده‌اند. از جمله این روش ها می‌توان به ان...

متن کامل

الگویابی داده‌های لرزه‌یی با استفاده از خوشه بندی به منظور پیش بینی زلزله

زلزله‌ها همواره به‌عنوان یکی از مخرب‌ترین بلایای طبیعی شناخته می‌شوند. به دلیل خسارت‌های اقتصادی و تلفات جانی بسیار بالا، پیش‌بینی زلزله امری ضروری به نظر می‌رسد. در این نوشتار، تغییرات زمانی پارامتر $b$ از رابطه‌ی گوتنبرگ ریشتر قبل از زلزله‌هایی با بزرگای $M_w=6.0$ و یا بالاتر از آن در ناحیه‌ی جنوبی ایران، منطقه‌ی قشم و اطراف آن مورد بررسی قرار گرفته است. از دو روش خوشه‌بندی K-M‌e‌a‌n‌s و نقشه...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشگاه تبریز - دانشکده مهندسی عمران

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023