بحث متقدم
ترتيب حسب
فلترة حسب
تعتمد دراسة و تصميم المآخذ المائية للينابيع على تحليل السلاسل الزمنية للقياسات التاريخية من خلال التنبؤ بأحجام المياه الواردة أو المتوقع ورودها مستقبلاً. يهدف البحث إلى نمذجة تدفقات المياه الشهرية لنبع السن في الساحل السوري و التنبؤ المستقبلي بهذه ا لتدفقات، باعتماد نماذج "بوكس– جنكنز" في تحليل بيانات السلسلة الزمنية، لارتفاع درجة الدقة في تنبؤاتها. اعتمدنا بيانات تدفقات المياه الشهرية و بالتالي حجوم المياه الشهرية لـ 101 شهراً من حزيران 2008 حتى تشرين الأول 2016م، و بعد إجراء عمليات استقرار السلسلة في التباين و المتوسط و إزالة الموسمية و تنفيذ الاختبارات المطلوبة على بواقي النموذج، تبيّن أن أفضل نموذج يمثل البيانات هو SARIMA(2,0,1) (2,1,0)12، و تم تقسيم البيانات إلى 81 شهراً لبناء النموذج و 20 شهراً لاختباره، و اعتماداً على أصغر قيمة للمتوسط الموزون للمعايير RMSE, MAP, MAE، فإن أفضل نموذج للتنبؤ هو النموذج SARIMA(3,1,0) (1,1,0)12، و قد أعطى النموذج تنبؤات قريبة من حجوم المياه الشهرية في النبع المقيسة فعلياً.
في هذا البحث, نقارن ثلاثة طرق نمذجة أهداف مباريات كرة القدم مع الأخذ بعين الاعتبار الأداء المتنبئ به اعتمادا على جميع المباريات في كؤوس الفيفا الأربعة السابقة 2002--2014: نماذج الانحدار بواسون, طرق الغابات العشوائية, وطرق الترتيب.
تُعتبر القدرة على التقدير والتنبّؤ الدقيق بالظواهر الهيدرولوجيّة من العوامل الأساسيّة في تنمية وإدارة الموارد المائيّة، ووضع الخطط المائيّة المستقبليّة وفق سيناريوهات التغيّرات المناخيّة المختلفة، ويعد التبخّر نتح أحد أهم العوامل في الدورة الهيدرولوج يّة ومن أكثرها تعقيداً، كما أنّ القدرة على التنبّؤ الدقيق بقيم هذه الظاهرة هي من العوامل المهمّة في العديد من تطبيقات الموارد المائيّة. لذلك تهدف هذه الدراسة إلى التنبّؤ بقيم التبخر نتح المرجعي الشهري (ET0) في محطّة حمص المناخيّة، في المنطقة الوسطى من الجمهوريّة العربيّة السوريّة، باستخدام الشبكات العصبيّة الاصطناعيّة (ANNs) ونظام الاستدلال الضبابي (FIS)، بالاعتماد على البيانات المناخيّة المتاحة، والمقارنة بين نتائج هذه النماذج. تضمّنت البيانات المستخدمة 347 قيمة شهريّة لدرجة حرارة الهواء (T)، الرطوبة النسبيّة(RH) ، سرعة الرياح(WS) وعدد ساعات السطوع الشمسي(SS) (من تشرين الأول 1975 وحتى كانون الأول 2004)، في حين حُسبت قيم التبخّر نتح المرجعي الشهري باستخدام طريقة بنمان مونتيث، والتي هي الطريقة المرجعيّة المعتمدة من قبل المنظمة الدوليّة للزراعة والأغذية التابعة للأمم المتحدة (FAO)، واستُخدمت هذه القيم كمخرجات للنماذج. أظهرت نتائج الدراسة أنّ نماذج الشبكات العصبيّة الاصطناعيّة ذات التغذية الأماميّة والانتشار العكسي للخطأ تمكّنت من التنبّؤ بقيم التبخّر نتح المرجعي الشهري بنجاح، حيث أعطت النماذج قيماً منخفضة لجذر متوسّط مربّعات الأخطاء (RMSE) ومرتفعة لمعاملات الارتباط(R) ، وكذلك تبيّن أنّ استخدام ترتيب الشهر كمُدخل إضافي يُحسّن من دقّة التنبّؤ للشبكات العصبيّة الاصطناعيّة. أظهرت النتائج أيضاً القدرة الجيّدة لنماذج الاستدلال الضبابي على التنبّؤ بقيم التبخّر نتح المرجعي الشهري، حيث تبيّن أن عدد ساعات السطوع الشمسي هي أكثر العوامل المناخيّة المنفردة تأثيراً في عمليّة التنبّؤ، حيث بلغ معامل الارتباط 97.71% وجذر متوسّط مربّعات الأخطاء 18.08 mm/month خلال مرحلة الاختبار للنموذج، في حين كان عدد ساعات السطوع الشمسي وسرعة الرياح أكثر عاملين مؤثرين سويةً على عمليّة التنبّؤ بمعامل ارتباط 98.55% وجذر متوسّط مربّعات أخطاء 12.49 mm/month خلال مرحلة الاختبار للنموذج. أظهر هذا البحث الموثوقيّة العالية لاستخدام الشبكات العصبيّة الاصطناعيّة ونظام الاستدلال الضبابي في التنبّؤ بقيم التبخر نتح المرجعي الشهري، مع وجود أفضليّة بسيطة للشبكات العصبيّة الاصطناعيّة، والتي يمكن أن تضيف ترتيب الشهر إلى طبقة المدخلات الأمر الذي يزيد من دقّة التنبّؤات. توصي هذه الدراسة بالتوسّع في استخدام تقنيّات الذكاء الاصطناعي في نمذجة الظواهر المعقّدة واللاخطيّة المتعلقة بالموارد المائيّة.
يعتبر التبخر- نتح أحد المكونات الهامة في الدورة الهيدرولوجية، و تعد القدرة على التنبؤ الدقيق بقيم هذه الظاهرة من العوامل الهامة في العديد من تطبيقات الموارد المائية. تهدف هذه الدراسة إلى التنبؤ بقيم التبخر نتح المرجعي الشهري, باستخدام الشبكات العصبية الاصطناعية و نظام الاستدلال الضبابي.
تهدف هذه الدراسة إلى تحديد العناصر المناخية الأكثر تأثيرا على علاقة الهطل - جريان لنهر الكبير الشمالي, باستخدام الشبكات العصبية الاصطناعية. حيث احتوت مدخلات الشبكات العصبية على الهطل المطري و التدفق في النهر, وفق تأخرات زمنية مختلفة, بالإضافة إلى هنص ر من العناصر المناخية في كل نموذج من النماذج, لتحديد النموذج الأفضل و الأكثر دقة.
تعتبر الأمطار من الظواهر غير الخطية المعقدة، و التي تتطلب النمذجة الرياضية غير الخطية لغرض التنبؤ بها. هذه الدراسة تقارن أداء التنبؤ بالأمطار ليوم مقدماً، حيث وضعت اثنين من نماذج الشبكات العصبونية (ذات التغذية الأمامية) للتنبؤ بأمطار يومية متتالية لثلاثة أشهر (كانون الأول، كانون الثاني، شباط) و هذه النماذج هي: نموذج الشبكات العصبية الاصطناعية التقليدية (ANN) و نموذج عصبوني مع تقنية التحويل المويجي وفق (wavelet- neural) طريقتين مختلفتين لبناء النماذج و باستخدام نوعين من المويجات من عائلة دوبغنز (db2, db5) و من أجل المقارنة بين أداء النماذج في قدرتها على التنبؤ بالأمطار على المدى القصير (ليوم و يومين و ثلاثة أيام مقدماً) للأشهر الأخيرة من فترة الدراسة، فقد استخدمت بعض المعايير الإحصائية، التي اشتملت على جذر متوسط مربعات الأخطاء (RMSE) و معامل الارتباط (R).
التنبّؤ بالطقس و خاصةً الأمطار، هي واحدة من المهام العملية الأكثر تحدياً و أهمية، و التي تقوم بها خدمات الأرصاد الجوية في جميع أنحاء العالم، علاوة على كونه إجراء معقد يتطلب مجالات متخصصة و متعددة من الخبرات. في هذه الورقة، أقترح نموذج الشبكات العصبي َّة (ANNs) مع تحويل المويجات كأداة للتنبؤ بالأمطار الشّهرية بشكل متتالي بالاعتماد على البيانات السابقة لهطول الأمطار (1933-2009)، المأخوذة من محطة حمص للأرصاد الجوية. حيث تم تحليل السلسلة الزمنية للأمطار إلى معاملاتها التفصيلية و التقريبية على ثلاث مستويات باستخدام تحويل المويجات المتقطع (Discrete Wavelet Transform (DWT، و استخدمت الشَّبكة العصبيَّة أمامية التغذية مع خوارزمية الانتشار العكسي في عملية التعلم و التنبّؤ. توصلت الدراسة إلى أن الشبكة العصبية WNN ذات الهيكلية (1-8-8-8-5)، قادرة على التنبؤ بالأمطار الشهرية في محطة حمص على المدى الطويل بمعامل تحديد وجذر متوسط مربعات الأخطاء (7.74mm,0.98) على الترتيب. تقدم تقنية تحويل المويجات ميزة مفيدة قائمة على تحليل البيانات، مما يحسن من أداء النموذج، و تطبق هذه التقنية في نماذج الشبكات العصبية الاصطناعية للأمطار لأنها بسيطة، كما يمكن تطبيق هذه التقنية لنماذج أخرى.
يعتبر التبخّر مكوّناُ أساسيّاً في الدورة الهيدرولوجيّة، و هو يلعب دوراً مؤثّراً في تطوير و إدارة الموارد المائيّة. تهدف هذه الدراسة إلى التنبّؤ بالتبخّر الإنائي الشهري في محطة حمص المناخيّة باستخدام الشبكات العصبيّة الاصطناعيّة. و قد اعتمدت الدراسة م ن أجل ذلك على القيم الشهريّة لدرجة حرارة الهواء و الرطوبة النسبيّة فقط كمدخلات، واعتمدت التبخّر الإنائي الشهري كمُخرج للشبكة. استُخدمت خوارزميّة الانتشار العكسي في عمليّة تدريب و تحقيق الشبكة مع تغيير طرائق التدريب و عدد الطبقات الخفيّة و عدد العصبونات في كل طبقة منها، و قد أظهرت النتائج القدرة الجيّدة للشبكة العصبيّة الاصطناعيّة ذات الهيكليّة 2-10-1 على التنبؤ بقيم التبخر الإنائي الشهري بمعامل ارتباط كلّي R) 96.786%) و بجذر متوسّط مربّعات الأخطاء RMSE) 24.52 mm/month) لمجموعة البيانات الكاملة، و قد أوصت الدراسة باستخدام تقنية الشبكات العصبية الاصطناعية لتحديد العناصر الأكثر تأثيراً على التبخر.
تعتمد دراسة و تصميم السدود المائية بشكل رئيس على التنبؤات بأحجام المياه الجارية في الأنهار أو المتوقع ورودها مستقبلاً، باستخدام تحليل السلاسل الزمنية للقياسات التاريخية. يهدف البحث إلى إعداد دراسة إحصائية لحجوم المياه الشهرية الواردة في نهر الروس في الساحل السوري و التنبؤ المستقبلي بهذه الحجوم. و اعتمدت نماذج "بوكس– جنكنز" في تحليل بيانات السلسلة الزمنية، و ذلك لارتفاع درجة الدقة في تنبؤاتها. اعتمدنا بيانات حجوم المياه الشهرية لمدة 15 عاماً، و بعد إجراء الاختبارات المطلوبة على بواقي النموذج، تبيّن أن أفضل نموذج يمثل البيانات هو SARIMA(0,1,2) (1,2,1)12، و بعد تقسيم البيانات إلى 14 سنة لبناء النموذج و سنة واحدة لاختباره و اعتماداً على أصغر قيمة للمتوسط الموزون للمعايير RMSE, MAP, MAE، فإن أفضل نموذج للتنبؤ هو النموذج SARIMA(1,1,0) (0,1,1)12، و قد أعطى النموذج تنبؤات قريبة من حجوم المياه الشهرية الواردة في النهر المقيسة فعلياً.
يعدّ الهطل المطري أحد أكثر عناصر الدورة الهيدرولوجية صعوبة و تعقيداً من حيث الفهم و النمذجة، بسبب تعقيد العمليات الجوية التي تولد الأمطار. تأتي أهمية البحث من العلاقة المباشرة لكميات الأمطار الهاطلة بالأنشطة الاقتصادية و الاجتماعية للسكان، و مجالات ا لتخطيط لإدارة الموارد المائية، لا سيما ما يتعلق منها بعملية التنمية الزراعية. يهدف البحث إلى إلقاء الضوء على كميات الأمطار الهاطلة في محطة طرطوس الواقعة في الجزء الجنوبي من الساحل السوري، و تطبيق نموذج من نماذج بوكس- جنكنز للتنبؤ بكمياتها المستقبلية. تم اختبار نماذج متعددة لـ ARIMA، و أخضعت النماذج لجميع الاختبارات المطلوبة، و قد تبين أن أفضلها كان النموذج ذي المعالم (ARIMA(3,0,4. جرى أثناء الاختبار تقسيم البيانات إلى 43 سنة لبناء النموذج، و ثماني سنوات لاختباره، و قد أعطت نتائج الاختبار دقةً عاليةً في الأداء، كما استخدم النموذج للتنبؤ بقيم الأمطار السنوية لعشرين سنة قادمة.