به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

pmi algorithm

در نشریات گروه آب و خاک
تکرار جستجوی کلیدواژه pmi algorithm در نشریات گروه کشاورزی
تکرار جستجوی کلیدواژه pmi algorithm در مقالات مجلات علمی
  • فرشته ظریف، علی عصاره*، مهدی اسدی لور، حسین فتحیان، داود خدادادی دهکردی

    پیش بینی دقیق و قابل اعتماد از سطح آب زیرزمینی در یک منطقه برای استفاده پایدار و مدیریت منابع آب بسیار مهم است. این پژوهش با هدف ارزیابی شبکه های عصبی مصنوعی (ANNs)؛ پیش رونده عمومی (GFF) و تابع پایه شعاعی (RBF)  در پیش بینی ماهانه تراز سطح آب زیرزمینی در دشت دزفول- اندیمشک در جنوب غربی ایران انجام شد. برای تعیین متغیرهای موثر ورودی در ANNs از الگوریتم اطلاعات متقابل جزیی (PMI) استفاده شد. نتایج به کارگیری الگوریتم PMI نشان می دهد که متغیرهای ورودی موثر بر پیش بینی ماهانه تراز سطح آب زیرزمینی برای پیزومترهای تحت تاثیر برداشت و تغذیه آب، فقط شامل تراز سطح آب در ماه فعلی است. همچنین متغیرهای ورودی موثر بر پیش بینی تراز سطح آب برای پیزومترهای تحت تاثیر فقط برداشت آب، به ترتیب شامل تراز سطح آب در ماه فعلی، تراز سطح آب در یک ماه قبل، تراز سطح آب در دو ماه قبل، مختصات عرضی پیزومتر به UTM، تراز سطح آب در سه ماه قبل، تراز سطح آب در چهار ماه قبل، تراز سطح آب در پنج ماه قبل و مختصات طولی پیزومتر به UTM است. علاوه بر این متغیرهای ورودی موثر بر پیش بینی ماهانه تراز سطح آب زیرزمینی برای پیزومترهای نه تحت تاثیر برداشت و نه تغذیه آب، به ترتیب شامل تراز سطح آب در ماه فعلی، تراز سطح آب در یک ماه قبل، تراز سطح آب در دو ماه قبل، تراز سطح آب در سه ماه قبل، تراز سطح آب در چهار ماه قبل، تراز سطح آب در پنج ماه قبل، تراز سطح آب در شش ماه قبل، مختصات عرضی پیزومتر به UTM و مختصات طولی پیزومتر به UTM است. نتایج نشان می دهد که شبکه GFF از دقت بیشتری نسبت به شبکه RBF، در پیش بینی ماهانه تراز سطح آب زیرزمینی برای پیزومترهای شامل برداشت و تغذیه آب و پیزومترهای شامل فقط برداشت آب برخوردار است. علاوه بر این شبکه RBF دقت بیشتری در پیش بینی ماهانه تراز سطح آب زیرزمینی برای پیزومترهای شامل نه برداشت و نه تغذیه آب نسبت به شبکه GFF برخوردار است.

    کلید واژگان: پیش بینی ماهانه، سطح آب زیرزمینی، شبکه های عصبی مصنوعی، الگوریتم PMI
    F. Zarif, A. Asareh*, M. Asadiloor, H. Fathian, D. Khodadadi Dehkordi

    An accurate and reliable prediction of groundwater level in a region is very important for sustainable use and management of water resources. In this study, the generalized feedforward (GFF) and radial basis function (RBF) of artificial neural networks (ANNs) have been evaluated for monthly predicting groundwater levels in the Dezful-Andimeshk plain in southwestern Iran. The partial mutual information (PMI) algorithm was used to determine efficient input variables in ANNs. The results of using the PMI algorithm showed that efficient input variables for monthly predicting groundwater level for piezometers affected by water discharge and recharge include only water level in the current month. Also, efficient input variables for predicting the water level for piezometers affected only by water discharge include the water level in the current month, the water level in the previous month, the water level in the previous two months, transverse coordinates of piezometers to UTM, the water level in the previous three months, the water level in the previous four months, the water level in the previous five months and longitudinal coordinates of piezometers to UTM. In addition, efficient input variables of monthly predicting groundwater level for piezometers neither affected by water discharge nor water recharge, respectively, include the water level in the current month, the water level in the previous month, the water level in the previous two months, the water level in the previous three months, the water level in the previous four months, the water level in the previous five months, the water level in the previous six months, transverse coordinates of piezometer to UTM and longitudinal coordinates of piezometer to UTM. The results indicated that the GFF network is more accurate than the RBF network for monthly predicting groundwater level for piezometers including water discharge and recharge and piezometers including only water discharge. Also, the RBF network is more accurate for monthly predicting groundwater levels for piezometers that include neither water discharge nor recharge than the GFF network.

    Keywords: Monthly predicting, Groundwater level, Artificial Neural Networks, PMI algorithm
  • علیرضا کیهانی، علی محمد آخوندعلی*، حسین فتحیان
    برآورد میزان رسوب حمل شده توسط جریان برای برنامه ریزی و ذخیره منابع آب مخازن سدها و تغییرات بستر رودخانه ها، مدیریت آبخیز، حفاظت سواحل و محیط زیست حایز اهمیت است. انتقال رسوب در رودخانه یک پدیده ذاتا غیرقطعی و پیچیده می باشد. دانش ناکامل در مورد فرآیند ها و داده ها، عدم قطعیت در برآورد انتقال رسوب را ایجاد می کند. عدم قطعیت پارامترها، از جمله منابع اصلی عدم قطعیت در برآورد بار رسوبات معلق و بستر است. در این مقاله از روش شبیه سازی مونت کارلو برای برآورد عدم قطعیت بار رسوبات معلق و بستر به علت عدم قطعیت در پارامترهای مدل ماشین بردار پشتیبان (SVM) در حوضه سد کرج استفاده شده است. برای انتخاب متغیرهای ورودی موثر در مدل SVM برای برآورد بار رسوبات معلق و بستر، از الگوریتم PMI استفاده شد. نتایج به کارگیری الگوریتم PMI نشان می دهد که تنها متغیر موثر در برآورد بار رسوبات معلق و بستر، دبی جریان در زمان حال است. نتایج نشان می دهد که عدم قطعیت در برآورد بار رسوب معلق با مدل SVM برای داده های آموزش، آزمون و کل داده ها به ترتیب برابر با 8/12، 17 و 5/13 درصد است. همچنین عدم قطعیت در برآورد بار رسوب بستر با مدل SVM برای داده های آموزش، آزمون و کل داده ها به ترتیب برابر با 5/23، 8/36 و 2/27 درصد است. بنابراین عدم قطعیت در برآورد بار رسوب بستر با مدل SVM بیشتر از عدم قطعیت در برآورد بار رسوب معلق است. به کارگیری روش های بهینه سازی می تواند برای برآورد دقیق مقادیر پارامترها و کاهش عدم قطعیت در برآورد بار رسوبات معلق و بستر مفید باشد.
    کلید واژگان: عدم قطعیت پارامترها، مدل SVM، بار رسوب معلق و بستر، الگوریتم PMI، مونت-کارلو
    Alireza Keihani, Ali Mohammad Akhondali *, Hosein Fathian
    Estimation of sediment transported by the streamflow is important for planning and storing water resources of dam reservoirs and river bed changes, watershed management, coastal protection and the environment. Sediment transport in the river is an inherently uncertain and complex phenomenon. Incomplete knowledge of processes and data create uncertainty in estimating sediment transport. Parameters uncertainty is one of the main sources of uncertainty in estimating the suspended and bed sediment load. In this paper, the Monte Carlo (MC) simulation method is used to estimate the uncertainty of suspended and bed sediment load due to uncertainty in the parameters of the support vector machine (SVM) model in the Karaj Dam Basin. The partial mutual information (PMI) algorithm was used to select the efficient input variables in the SVM model to estimate the suspended and bed sediment load. The results of using PMI algorithm show that the only efficient variable in estimating the suspended and bed sediment loads is the current stream discharge. The results show that the uncertainty in estimating the suspended sediment load with SVM model for training, test and total data is equal to 12.8%, 17% and 13.5%, respectively. Also, the uncertainty in estimating the bed sediment load with SVM model for training, test and total data is equal to 23.5%, 36.8% and 27.2%, respectively. Therefore, the uncertainty in estimating the bed sediment load with SVM model is more than the one in estimating the suspended sediment load. Therefore, the use of optimization methods can be useful for accurate estimation of parameter values and reducing uncertainty in estimating the suspended and bed sediment load.
    Keywords: Parameter Uncertainty, SVM model, Suspended, bed sediment load, PMI Algorithm, Monte-Carlo
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال