بررسی کارایی روش دسته بندی گروهی داده ها و تبدیل موجک در پیش بینی رواناب(مطالعه موردی: حوضه آبریز قره سو)
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 461
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WATER-10-4_005
تاریخ نمایه سازی: 1 مرداد 1399
Abstract:
امروزه بکارگیری مدلهای داده محور ابزارهای جدیدی برای شبیهسازی و مدلسازی در علوم مختلف میباشد. فرآیند بارش- رواناب از مهمترین و پیچیدهترین پدیدهها در چرخه هیدرولوژی است. در این مطالعه ضمن معرفی مدل ترکیبی موجک-دستهبندی گروهی دادهها، کارایی آن جهت مدلسازی فرآیند بارش-رواناب حوضه آبریز قرهسو مورد مطالعه قرار گرفت. در ابتدا سریهای زمانی بارش و رواناب با استفاده از تبدیل موجک به چندین زیرسری تجزیه گشته تا بر ناایستایی آن غلبه گردد. سپس این زیرسریهای زمانی به عنوان ورودی روش دستهبندی گروهی دادهها برای پیشبینی رواناب روزانه درنظر گرفته شده است. کارایی مدل ترکیبی با شاخصهای ضریب تبیین(DC) و ریشه میانگین مربعات خطا(RMSE) ارزیابی شدند. نتایج حاصل از مدلها بیانگر آن است که بیشترین مقدار ضریب تبیین و مقدار ریشه میانگین خطا برای مدل منفرد GMDH به ترتیب 65/0 و 07/0 و برای مدل ترکیبی به ترتیب 91/0 و 05/0 است. دلیل برتری مدل ترکیبی نسبت به مدل منفرد ناشی از این است که مدل ترکیبی دستهبندی گروهی دادههای موجکی، به جای استفاده از سری زمانی دادههای بارش و رواناب در یک مقیاس کلی، از چندین زیرسری پردازش شده زمانی با درجات تجزیه مختلف به عنوان ورودی در مدل استفاده مینماید. همچنین نتایج نشان داد که مدل ترکیبی Wavelet-GMDHدر مقایسه با سایر مدلهای ترکیبی مانند شبکه عصبی مصنوعی موجکی(WANN) به سبب عملکرد لایهای مدل GMDH که دربرگیرنده ترکیبات دوتایی از متغیرهای ورودی است و با انتخاب تعداد نرونهای بهینه در هر لایه حرکت به سمت دادههای پیشبینی شده را جهتدهی مینماید، دارای کارایی و دقت بیشتری است.
Keywords:
Authors
محمدرضا گودرزی
استادیار دانشکده عمران، دانشگاه یزد، یزد
حسام گودرزی
کارشناسی ارشد مهندسی آب و سازه های هیدرولیکی، گروه مهندسی عمران، دانشگاه آیت اله العظمی بروجردی(ره)، بروجرد، ایران،
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :