پیش بینی خشک سالی با بهره گیری از مدل ترکیبی ماشین بردار پشتیبان موجکی و شاخص SPI (مطالعه موردی: حوضه دریاچه ارومیه-ایران)
Publish place: Environmental Science and Technology، Vol: 22، Issue: 7
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 137
This Paper With 19 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ESTJ-22-7_007
تاریخ نمایه سازی: 18 مهر 1400
Abstract:
زمینه و هدف: خشک سالی تهدیدی جدی برای انسان و محیط زیست بوده ازاین رو یافتن شاخصی جهت پیشبینی این پدیده از اهمیت بهسزایی برخوردار است. شاخص بارش استانداردشده (SPI) یک شاخص جامع جهت طبقه بندی شدت خشک سالی به حساب میآید. مدلهای هوش مصنوعی کلاسیک از متداولترین مدلهایی هستند که جهت پیشبینی شاخص SPI مورداستفاده قرارگرفته اند. ازآنجایی که این مدلها بر پایهی ویژگی خودهمبستگی استوار هستند، بنابراین توانایی رصد نمودن سریهای زمانی درازمدت و فصلی را دارا نمیباشند. در این پژوهش برای پیشبینی خشک سالی از مدل ترکیبی ماشین بردار پشتیبان موجکی و شاخص SPI استفاده شده است. روش بررسی: برای این منظور سری زمانی شاخص SPI مربوط به حوضه ارومیه توسط آنالیز موجک به چندین زیر سری با مقیاسهای زمانی مختلف تبدیل شده و این زیر سری های زمانی به عنوان ورودی مدل ماشین بردار پشتیبان برای پیشبینی خشک سالی در نظر گرفته میشوند. یافته ها: نتایج حاصل از صحت سنجی مدلها بیانگر آن است که بیشترین مقدار ضریب تبیین و کمترین مقدار جذر میانگین مربع خطا برای مدل منفرد ماشین بردار پشتیبان به ترتیب ۸۶۵/۰ و ۲۳۷/۰ و برای مدل ترکیبی ماشین بردار پشتیبان موجکی به ترتیب ۹۵۴/۰ و ۰۵۶/۰ میباشد. بحث و نتیجه گیری: بنابراین مدل ترکیبی ماشین بردار پشتیبان موجکی در مقایسه با مدل منفرد ماشین بردار پشتیبان توانایی بهسزایی جهت پیشبینی سری زمانی شاخص SPI و نیز رصد نمودن نقاط بیشینه این سری زمانی به سبب در نظر گرفتن تغییرات فصلی دارا میباشد. از سویی نشان داده شد که این مدل ترکیبی در مقایسه با سایر مدلهای خودهمبسته کلاسیک همچون شبکه عصبی مصنوعی از دقت و کارایی بالاتری برخوردار است.
Keywords:
Authors
مهدی کماسی
عضو هیئت علمی گروه عمران دانشگاه ایت اله بروجردی (ره)
سروش شرقی
دانشجوی کارشناسی ارشد، مهندسی آب و سازه های هیدرولیکی، دانشگاه آیت اله العظمی بروجردی (ره)، بروجرد.
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 :