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 « کارون شمالی » در نشریات گروه « جغرافیا »

تکرار جستجوی کلیدواژه «کارون شمالی» در نشریات گروه «علوم انسانی»
  • ابراهیم فتاحی، مجید دلاور، کیوان نوحی
    پیش بینی جریان رودخانه ها نقش بسزایی در برنامه ریزی، مدیریت و بهره برداری از منابع آب دارد. هدف اصلی این تحقیق بررسی امکان پیش آگاهی و پیش بینی دبی رودخانه های کارون شمالی (رودخانه ارمند و بازفت) با استفاده از روش های نوین شبیه سازی می باشد. در این مطالعه نوسانات جریان رودخانه های ارمند و بازفت در ارتباط با سیگنالهای بزرگ مقیاس اقلیمی بررسی شده است. بدین منظور از داده های ماهانه شاخص نوسان جنوبی (SOI)، نوسان اطلس شمالی (NAO) و پدیده ENSO در مناطق NINO4،NINO3، NINO3.4 و NINO1+2 استفاده گردید. تمامی داده های مربوط به سیگنال های اقلیمی از مرکز داده های آنالیز شده NCEP دریافت شد. داده های مربوط به دبی روزانه ایستگاه های هیدرومتری ارمند و مرغک نیز از مرکز داده های وزارت نیرو تهیه گردید. در این مطالعه به منظور طراحی بهینه معماری شبکه عصبی مصنوعی جهت پیش بینی دبی رودخانه ها براساس سیگنال های اقلیمی از الگوریتم ژنتیک بهره گرفته شد. نتایج تحقیق نشان داد که سیگنال های ENSO در ناحیه NINO1+2 و NINO3 به عنوان موثرترین سیگنال بر تغییرات جریان رودخانه های ارمند و بازفت هستند و برای پیش آگاهی از وضعیت دبی رودخانه های کارون شمالی می توان از سیگنال های فوق استفاده کرد.
    کلید واژگان: الگوریتم ژنتیک, پیش بینی, سیگنال های اقلیمی, شبکه عصبی مصنوعی, کارون شمالی}
    E. Fatahi, M. Delavar, K. Noohi
    Flow river forecasting plays an important role in designing، management، and utilization of water resources. The main object of the research is to study the possibility of forecasting and monitoring the Northern Karon rivers (Armand and Bazfat) discharge by using modern simulation methods. In this research، Armand and Bazoft discharge variations was investigated. In this regard، Monthly data of SOI، NAO، and ENSO in the regions of NINO3، NINO3. 4، NiNO4، and NINO1+2 for the period of 1968 to 2007 were collected from the National Center Environmental Prediction (NCEP). Daily discharge data of Armand and Morgak hydrometric stations were prepared from Niro ministry data center. In order to have the optimal designing of artificial neural network architecture، for Discharge River forecasting on the basis of climatic signals، genetic algorithm method was used. The results show that ENSO signals in NINO1+2 and NINO3 regions are the most effective signals on Armand and Bazfat discharge variations. Thus، ENSO signals can be used for forecasting the Northern Karon rivers discharge.
    Keywords: artificial neural network, northern Karon, climate signals, genetic algorithm method, forecasting}
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