بررسی کارایی روش های مختلف هوش مصنوعی و روش آماری در برآورد میزان رواناب (مطالعه موردی: حوزه شهید نوری کاخک گناباد)
Publish place: Journal of Watershed Management Research، Vol: 8، Issue: 16
Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 327
This Paper With 11 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:
شناسه ملی سند علمی:
JR_JWMR-8-16_002
تاریخ نمایه سازی: 17 مهر 1400
Abstract:
سال هاست که از مدل های بارش-رواناب در زمینه هیدرولوژی و برآورد رواناب استفاده می شود. اما علی رغم وجود مدل های فراوان، ظهور مرتب مدل های جدید نشان دهنده آن است که هنوز مدلی که بتواند بدون هیچ گونه نقص و ایرادی، کارایی و دقت بالا را در برآوردها ارائه کند ایجاد نشده است. بدین منظور جهت دستیابی به بهترین نتایج ؛ تعیین کارایی و شناسایی بهترین مدل ها، پس از انجام مدل سازی ها، ضرورت می یابد. در این راستا، در پژوهش حاضر، ابتدا اقدام به مدل سازی و برآورد میزان رواناب با استفاده از روش های مختلف هوش مصنوعی و نیز روش های آماری رگرسیون چندگانه شد. سپس جهت بررسی کارایی روش های اجراشده و نهایتا انتخاب بهترین مدل، از معیارهای کارایی و ارزیابی شامل؛ ضریب همبستگی (R)، ضریب نش-ساتکلیف(NSE) ، ریشه میانگین مربعات خطا (RMSE)و میانگین قدر مطلق خطا (MAE) استفاده گردید. اطلاعات مورداستفاده در این تحقیق، از دادههای ۹ واقعه بارندگی در بازه زمانی ۲۰۱۵-۲۰۱۱ حوزه کاخک گناباد تهیه شد. مدل های هوش مصنوعی موردبررسی در این مطالعه نیز عبارت بودند از: شبکه عصبی مصنوعی پس انتشار پیش خور نرمال، پیش خور Cascade، پس خور خودبازگشتی Elman، شبکه فازی-عصبی (ANFIS) و مدل درخت تصمیم رگرسیونی (Regression Tree) که در محیط نرم افزار متلب اجرا شدند. همچنین از روش رگرسیون چندگانه گام به گام به عنوان روش آماری، در محیط نرم افزار مینیتب استفاده گردید. نتایج حاصل از این پژوهش نشان داد؛ انواع روش های آماری و هوش مصنوعی در نظر گرفته شده به طور نسبتا مشابهی دارای کارایی قابل قبول بوده و با دقت مناسب و خطای نسبتا کم، قادر به برآورد میزان رواناب هستند. در این بین، مدل های عصبی پیش خور نرمال و پیش خور Cascade با تعداد ۵ پارامتر ورودی میزان کارایی بهتری را نسبت به سایر مدل ها نشان دادند. چنانکه معیارهای کارایی R ،NSE ، RMSE و MAE در این مدل ها، به ترتیب مقادیر مشابه؛ ۸۸/۰، ۷۶/۰، ۲ و ۵/۱ بدست آمد. درمجموع یافته ها حاکی از برآورد بهتر مدل های هوش مصنوعی نسبت به روش آماری رگرسیونی است.
Keywords:
Modeling , Neural Networks , Decision trees , ANFIS , Backpropagation , Feedforward , Feedbackward , مدل سازی , شبکه های عصبی , درخت تصمیم , ANFIS , پس انتشار , پیش خور , پس خور
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 :