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

particle filter algorithm

در نشریات گروه اکولوژی
تکرار جستجوی کلیدواژه particle filter algorithm در نشریات گروه کشاورزی
تکرار جستجوی کلیدواژه particle filter algorithm در مقالات مجلات علمی
  • امید حاجی سمیعی، مهدی ملازاده*، محمد اکبری
    در دهه‏های گذشته به دلیل برداشت بی‏رویه از منابع آب زیرزمینی، کاهش بارندگی‏ها و افزایش دمای هوا، سطح آب‏های زیرزمینی به شدت کاهش پیدا کرده است. بر اساس پژوهش‏های قبلی، کشور ایران از 130 میلیارد مترمکعب منابع آب زیرزمینی برخوردار بوده؛ اما منابع آب تجدیدشونده در 20 سال گذشته به 110 میلیارد مترمکعب و در شش سال گذشته به کمتر از 100 میلیارد مترمکعب کاهش یافته است. بنابراین مسیله تغییرات سطح آب زیرزمینی و پیش‏بینی این تغییرات از اهمیت ویژه‏ای برخوردار است. در این پژوهش سعی بر آن شد تا مدلی توسعه داده شود که با استفاده از الگوریتم جذب داده به پیش‏بینی این تغییرات بپردازد. علاوه بر این، یک مدل یادگیری عمیق نیز به‏ عنوان مدل رقیب توسعه داده شد تا نتایج حاصل از مدل پیشنهادی با آن مورد مقایسه قرار گیرند. استان خراسان جنوبی به‏ عنوان مطالعه موردی برای مدل‏سازی انتخاب شد. مقایسه بین مدل پیشنهادی و رقیب نشان داد مدل پیشنهادی توانایی بسیار زیادی در پیش‏بینی داشته و دقت آن حدود دقت مدل رقیب است. براساس این ارزیابی، برای مدل پیشنهادی و مدل رقیب، ضریب تبیین () به ترتیب برابر 91/0 و 95/0 و ریشه میانگین مربعات خطا (RMSE) به ترتیب برابر 18/0 و 20/0 به دست آمدند. همچنین ارایه‏ صریح روابط و پارامترهای مدل در کنار ارایه‏ عدم قطعیت‏ها و یک بازه‏ اطمینان‏پذیری، از سایر مزایای مدل پیشنهادی است که می‏تواند آینده گسترده‏ای را برای الگوریتم‏های جذب داده فراهم آورد. البته مدل‏های یادگیری ماشین و یادگیری عمیق که امروزه کاربرد گسترده‎‏‏ای دارند، چنین مزایایی را ارایه نمی‏کنند.
    کلید واژگان: سطح آب زیرزمینی، الگوریتم فیلتر ذره، ماهواره GRACE، یادگیری عمیق، داده ماهواره‏ای
    Omid Hajisamiei, Mahdi Mollazadeh *, Mohammad Akbari
    In the past decades, due to excessive extraction of underground water resources, decrease in rainfall and increase in air temperature, the level of underground water has decreased drastically. According to previous researches, Iran has 130 billion cubic meters of underground water resources; but in the last 20 and six years, renewable water resources have decreased to 110 and less than 100 billion cubic meters, respectively. Therefore, the issue of underground water level changes and the prediction it, is of particular importance. Therefore, in this research, a model was developed to predict these changes using the data absorption algorithm. In addition, a deep learning model was also developed as a competing model to compare the results of the proposed model with it. South Khorasan province was selected as a case study for modeling. The comparison between the proposed model and the competing model showed that the proposed model has a very high prediction ability and its accuracy is close to the accuracy of the competitor model. Based on this evaluation, for the proposed model and the competing model, (R2) was equal to 0.91 and 0.95, and the root mean square error (RMSE) was equal to 0.18 and 0.20, respectively. Also, explicit presentation of equations and parameters of the model along with providing uncertainties and a confidence interval are other advantages of proposed model that can provide a wide future for data absorption algorithms. Meanwhile, machine learning and deep learning models, that are widely used today, do not provide such benefits.
    Keywords: Groundwater level, Particle Filter Algorithm, GRACE satellite, Deep learning, Satellite data
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