عنوان پایان‌نامه
توسعه سامانه ترکیبی هوش مصنوعی و اطلاعات جغرافیایی برای مدلسازی هیدرولوژیکی
- رشته تحصیلی
- مهندسی کشاورزی - مهندسی منابع آب
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 5776;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 61835
- تاریخ دفاع
- ۲۷ بهمن ۱۳۹۲
- دانشجو
- محمد مقدس
- استاد راهنما
- مجید خیاط خلقی, شهاب عراقی نژاد
- چکیده
- تحلیل¬های هیدرولوژیکی نیازمند وجود داده¬های مکانی و یا تغییرات زمانی متغیرهای مورد بررسیدر سطح مورد مطالعه، به¬عبارتی یک سامانه اطلاعات جغرافیایی (GIS)، و همچنین مدل¬های هیدرولوژیکیمناسب، که در شرایط کمبود داده نیز کارآمدی خود را حفظ کنند، می¬باشند. بنابراین در علم هیدرولوژی نیاز به توسعه سامانه¬ای که بتواند در کنار امکانات دیداری، امکانتحلیلمکانی و مکانی-زمانی داده¬هارا با مدل¬هایهیدرولوژیکی محبوب مبتنی بر هوش مصنوعی (AI)فراهم بیاورد، وجود دارد. از این رو در پژوهش حاضر تلاش شده است تا با استفاده از مدل¬های محبوب شبکه عصبی مصنوعی (ANN) و همچنین مجموعه کتابخانههای نرمافزارآرکجیایاس (ArcGIS) تحت عنوان آرکجیایاس انجین (ArcGIS Engine)، یک سامانه اطلاعات جغرافیایی هوشمند (IGIS)به زبان برنامهنویسی سیشارپ (C#)توسعه داده شود. در سامانه توسعه داده شده امکان درون¬یابی مکانی به¬عنوان یک تحلیل مکانی و همچنین شبیه¬سازی بارندگی-رواناب (R-R) به¬عنوان یک تحلیل مکانی-زمانیگنجانده شده است. حوضه آبریز رودخانه کرخه به¬عنوان مطالعه موردی در نظر گرفته شده و از 41 سال اطلاعات بارندگی و آبدهی این حوضه برای درون¬یابی مکانی و مدل¬سازیR-R استفاده شده است. برای درون¬یابی مکانی بارندگی سالانه، از مدل¬های شبکه عصبی عمومی (GRNN) و شبکه عصبی تابع پایه شعاعی (RBFNN) در کنار روش¬های مرسوم کریجینگ معمولی (OK) و وزن¬دهی عکس فاصله (IDW) استفاده شد که نتایج حاکی از رضایت¬بخش بودن نتایج مدل¬های GRNN و RBFNN است. همچنین برای مدل¬سازی R-R از مدل¬های پرسپترون چندلایه (MLP) و شبکه عصبی بازگشتی (RNN) در ترکیب با روش¬های پیش¬پردازش داده شامل روش تجزیه مقادیر منفرد (SVD) و تحلیل مولفه¬های اصلی (PCA) استفاده شد که بر اساس نتایج مدل ترکیبی RNN-SVDتخمین¬های بهتری نسبت به سایر مدل¬های استفاده شده فراهم می¬کند.
- Abstract
- Hydrological analyses need availability of spatial data, or evolutions of studied variables over time in the study area, in other words, a Geographic Information System (GIS), as well as appropriate hydrological models that reflect high efficiency, even in the data deficiency conditions. Therefore, in the hydrological sciences, in addition to visualization applications, it is essential to develop a system, which has ability of spatial and temporal-spatial data analysis using popular hydrological models based on Artificial Intelligence. Thus, in the current study, attempts have made to develop an Intelligent Geographical Information System (IGIS) through C Sharp programming language (C#) using popular models of Artificial Neural Network (ANN), and ArcGIS software library collections so-called ArcGIS Engine. The developed system included the ability of spatial interpolation as a spatial analyst and also simulation of rainfall-runoff (R-R) as a temporal-spatial analysis. Karkheh river basin was considered as case study, 41yearsof precipitationanddischargedata have beenusedforthespatialinterpolation modelingof R-R. For spatial interpolating of annual precipitation, Generalized Regression Neural Network (GRNN) and Radial Basis Function Network (RBFNN) have been utilized beside common methods of Ordinary Kriging (OK) and Inverse Distance Weighted (IDW). Results indicate satisfactory outcomes of GRNN and RBFNN models. Moreover, in order to model R-R procedure, Multi-Layer Perceptron (MLP) and Recurrent Neural Network (RNN) have been employed in combination of data pre-processing models including Singular Value Decomposition (SVD) and Principal Component Analysis (PCA). According to the obtained results, the compound model of RNN-SVD showed more proper estimates than other used models.
