بررسی کارایی روش های رگرسیون بردار پشتیبان، شبکه عصبی پرسپترون چندلایه و رگرسیون خطی چندمتغیره به منظور پیش بینی تراز سطح آب زیرزمینی (مطالعه موردی: دشت شهرکرد)
Publish place: Journal of Watershed Management Research، Vol: 8، Issue: 15
Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 162
This Paper With 12 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-8-15_001
تاریخ نمایه سازی: 17 مهر 1400
Abstract:
تراز سطح آب زیرزمینی عاملی است که امکان قضاوت صحیح در مورد روند تغییرات آبخوان و مدیریت لازم در حوزه آبخیز را ایجاد می کند. در این تحقیق از اطلاعات ماهانه ۱۸ چاه مشاهده ای در دشت شهرکرد طی سال های ۱۳۷۹ تا ۱۳۸۹ به منظور شبیه سازی و پیش بینی سطح آب زیرزمینی با مدل های رگرسیون خطی چند متغیره (MLR)، شبکه عصبی پرسپترون چند لایه (MLP) و دو مدل رگرسیونی ماشین بردار پشتیبان (SVR) با توابع کرنل پایه شعاعی (RBF) و خطی (Linear) استفاده شده است. با توجه به معیارهای خطای ضریب راندمان (NS) و ریشه میانگین مربعات خطا (RMSE)، مدل MLP در ۵۶ درصد و مدل SVR نیز در ۴۴ درصد موارد عملکرد بهتری نسبت به نتایج کل سایر مدل ها داشته اند. به عنوان نمونه در چاه شماره ۱ (بخش مرکزی دشت)، مدل SVR-RBF با ترکیب ورودی پارامترهای متشکل از تراز سطح آب زیرزمینی، دما، تبخیر و بارش بر سایر مدل ها برتری داشته است. همچنین مقایسه کلی نتایج دو روش SVR، حاکی از برتری تابع کرنل RBF بر حالت خطی بوده است. عملکرد کلی مدل های MLP، SVR-RBF و SVR-Linear برای معیار NS به ترتیب برابر با ۷۰۳/۰، ۶۵۶/۰ و ۶۵۵/۰ و در شاخص RMSE نیز به ترتیب برابر با ۸۵۷/۰، ۹۰۵/۰ و ۹۱۴/۰ متر به دست آمده است.
Keywords:
Groundwater level prediction , Multivariate regression , Perceptron neural network , Shahrekord Plain , Support Vector Regression , پیش بینی سطح آب زیرزمینی , رگرسیون بردار پشتیبان , شبکه عصبی پرسپترون , رگرسیون چند متغیره , دشت 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 :