Document Type : Original Article
Authors
1 MSc. Student, Department of Water Engineering, Faculty of Agriculture, University of Tabriz.
2 MSc. Student, Civil Eng, Azad University, Marageh Branch.
Abstract
Keywords
1. زارع ابیانه، ح.، ع. مقدمنیا، م. بیات ورکشی، ع. قاسمی و م. شادمانی. 1389. تغییرات مکانی تبخیر از تشت و مقایسه آن با مدلهای برآورد تبخیر در ایران، مجله دانش آب و خاک، جلد 20، شماره 4، ص113-130.
2. ستاری، م.ت.، ع. رضازاده جودی و ف. نهرین. 1393. پیشبینی مقادیر بارش ماهانه با استفاده از شبکههای عصبی مصنوعی و مدل درختی M5 (مطالعه موردی: ایستگاه اهر)، پژوهشهای جغرافیای طبیعی، سال 46، شماره 2، ص 247-260.
3. ستاری، م.ت. و ف. نهرین. 1392. پیش بینی مقادیر حداکثر بارش روزانه با استفاده از سیستم های هوشمند و مقایسه آن با مدل درختیM5 ، مطالعه موردی ایستگاه های اهر و جلفا، فصلنامه علمی پژوهشی مهندسی آبیاری و آب، سال چهارم، شماره چهاردهم، ص 83-98.
4. ستاری، م.ت.، ف. نهرین و و. عظیمی. 1392. پیش بینی تبخیر- تعرق مرجع روزانه با استفاده از مدل شبکه عصبی مصنوعی و مدل درختی (مطالعهی موردی: ایستگاه بناب)، نشریه آبیاری و زهکشی ایران، جلد 1، شماره 7، ص113-104.
5. سعادتخواه، ن.، س.ا. سارنگ، م. تجریشی و ا. ابریشمچی. 1380. برآورد تبخیر از مخازن چاه نیمه، آب و فاضلاب، شماره 40، ص32-12.
6. علیخانزاده، ا. 1385. داده کاوی. چاپ اول. نشر علوم رایانه، بابل، 340 ص.
7. علیزاده، ا. 1388. اصول هیدرولوژی کاربردی. چاپ بیست و ششم. نشر دانشگاه امارضا. مشهد، 870 ص.
8. فلاحی، م.ر.، ه. ورواتی و س. گلیان. 1390. پیش بینی بارش با استفاده از مدل رگرسیون درختی به منظور کنترل سیل. پنجمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب وخاک کرمان.
9. یزدانی، و.، ب. قهرمان وک. داوری. 1389. تعیین بهترین روش تجربی برآورد تبخیر از سطح آزاد آب در اراضی شالیزاری آمل بر پایه آنالیز حساسیت و مقایسه آن با نتایج شبکه عصبی مصنوعی .مجله پژوهش آب ایران، شماره 7، ص 58-47.
10. Alberg, D., M. Last, and A. Kindle. 2012. Knowledge discovery in data streams with regression tree methods. Wires Data Mining Knowl Discov 2: 69-78.
11. Awchi, T.A. 2008. Application of Radial Basis Function Neural Networks for Reference Evapotranspiration Prediction. Al-Rafidain Engineering. Vol.16. 1: 117-129.
13. Burn, D.H. and N.M. Hesch. 2007. Trends in evaporation for the Canadian Prairies. J Hydrology 336: 61– 73.
17. Keskin, M.E., O. Terzi, E.U. Kucuksille. (2009) “Data Mining Process for Integrated Evaporation Model” Journal of Irrigation and Drainage Engineering, 135: 39-43.
19. Pal, M. 2006. M5 model tree for land cover classification. International Journal of Remote Sensing., 27(4), 20: 825-831.
21. Quinlan, J .R. 1992. Learning with continuous classes. In proceedings AI, 92 (Adams & Sterling, Eds): 343-348. Singapore: World Scientific.
22. Sattari, M. T., M. Pal, H. Apaydin, F. Ozturk. 2013 a. M5 Model Tree Application in Daily River Flow Forecasting in Sohu Stream, Turkey.Water resources and the regime of water bodies., 40(3): 233–242.
23. Sattari, M.T., M. Pal, K. Yürekli, A. Ünlükara. 2013 b. M5 model trees and neural network based modelling of ET0 in Ankara, Turkey. Turkish. J. Eng. Env .Sci., doi: 10.3906/muh-1212-5: 1-9.
24. Sene, K.J., J.H.C. Gash and D.D. McNeil. 1991. Evaporation from tropical lake: comparison of theory with direct measurements. J Hydrology. 127: 193-217.
25. Solomatine, D .P and Y. Xue. 2004. M5 model trees compared to neural networks: application to flood forecasting in the upper reach of the Huai River in China. Journal of Hydrologic Engineering. 9(6): 491–501.
26. Vanzyl, W.H., J.M. Jager and C.G. Maree. 1989. The relationship between daylight evaporation from short vegetation and the USWB Class A pan. Agricultural and Forest Meteorology. 46: 107-118.