گزارش فنی: پیش بینی سیلاب های ساعتی رودخانه اهرچای با استفاده از روش های یادگیری ماشین

Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 361

This Paper With 13 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JWEM-8-1_010

تاریخ نمایه سازی: 23 اردیبهشت 1400

Abstract:

سیل یکی از حوادث طبیعی است که هر ساله خسارات بسیاری در نقاط مختلف جهان به وجود می­ آورد. پیش بینی دقیق سیلاب در کاهش خسارات جانی و مالی و مدیریت منابع آب از اهمیت بسزایی برخوردار است. هدف از مطالعه حاضر، مقایسه قابلیت­ های روش­ های رگرسیون ماشین بردار پشتیبان، مدل درختی M۵ و مدل رگرسیون خطی در برآورد دبی سیلاب یک و دو ساعت آینده ایستگاه تازه ­کند در رودخانه اهرچای می باشد. داده های تاریخی دبی-اشل ساعتی ایستگاه تازه­ کند و ۱۴ رویداد مهم سیل برای ایجاد مدل مورد استفاده قرار گرفت. نتایج نشان داد که روش رگرسیون ماشین بردار پشتیبان با ضریب تبیین ۰.۹۶ و جذر میانگین مربعات خطا M۳s-۱) ۰.۰۴۷۲) برای سیلاب یک ساعت بعد و ۰.۹۰=R۲ و M۳.s-۱) RMSE=۰.۱۵۹۶ برای سیلاب دو ساعت بعد بهترین نتیجه را ارائه نمود. گرچه مدل درختی M۵ دقت نسبتا کمتری نسبت به روش رگرسیون ماشین بردار پشتیبان داشت، ولی به لحاظ ارائه روابط خطی ساده و قابل فهم می ­تواند به عنوان یک روش کاربردی در پیش بینی دبی سیلاب­ های ساعتی مورد استفاده قرار گیرد.

Keywords:

آذربایجان شرقی , دبی , داده ‎کاوی , رگرسیون ماشین بردار پشتیبان , مدل درختی M۵‎

Authors

محمدتقی ستاری

استادیار، دانشکده کشاورزی، دانشگاه تبریز

محمدرضا عبداله پورآزاد

کارشناس ارشد، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی واحد اهر

رسول میرعباسی نجف آبادی

استادیار، دانشکده کشاورزی، دانشگاه شهرکرد

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 :
  • Adamowski, J. and S.O. Prasher. ۲۰۱۲. Comparison of machine learning ...
  • Alikhanineghad, M., A.J. Kamali and B. Nematollahi. ۲۰۱۳. Ground water ...
  • Bhattacharya, B. and D.P. Solomatine. ۲۰۰۳. Neural networks and M۵ ...
  • Bhattacharya, B. and D.P. Solomatine. ۲۰۰۵. Neural networks and M۵ ...
  • Emamifar, S. and A. Rahimi Khob. ۲۰۱۱. Evaluation of M۵ ...
  • Hamel, L.H. ۲۰۰۹. Knowledge discovery with support vector machines. Wiley, ...
  • Lin, J.Y., C.T. Cheng and K.W. Chau. ۲۰۰۶. Using support ...
  • Mahjobi, A. and M. Tajrishi. ۲۰۱۰. Comparison of artificial neural ...
  • Pai, P.F. and W.C. Hong. ۲۰۰۷. A recurrent support vector ...
  • Sattari, M.T., M. Pal, H. Apaydin and F. Ozturk. ۲۰۱۳. ...
  • Seefi, A., M. Mirlatifi and H. Reahi. ۲۰۱۳. Introduction and ...
  • Solomatine, D.P. and Y. Xue. ۲۰۰۴. M۵ model trees compared ...
  • Stravs, L. and M. Brilly. ۲۰۰۷. Development of a low-flow ...
  • Vapnik, V.N. ۱۹۹۸. Statistical learning theory. Wiley, ۷۳۶ pages ...
  • Yu, P.S, S.T. Chen and I.F. Chang. ۲۰۰۶. Support vector ...
  • Zahiri, A.R. and K.H. Ghorbani. ۲۰۱۳. Flow discharge prediction in ...
  • نمایش کامل مراجع