شبیه سازی خودهمبسته جریان حوضه آبریز زرینه رود با استفاده از روش تجزیه پروکراستس و مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان
Publish place: Water and Soil Resources Conservation، Vol: 6، Issue: 4
Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 122
This Paper With 16 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_WSRCJ-6-4_009
تاریخ نمایه سازی: 4 آبان 1400
Abstract:
پیشبینی جریان رودخانهها در حوضههای آبریز نقش مهمی در بهرهبرداری و مدیریت صحیح منابع آبی دارد. تعیین نوع و تعداد ورودی مدلهای تخمینگر، یکی از مهمترین مراحل در پیشبینی جریان رودخانهها میباشد. بنابراین از روش تجزیه پروکراستس (PA) برای تعیین تعداد ورودیهای موثر استفاده شده است. در این تحقیق پیشبینی جریان با استفاده از دادههای جریان ماهانه ایستگاههای آبسنجی صفاخانه و سنته انجام گرفته است. مدل شبکه عصبی مصنوعی (MLP) و مدل ماشین بردار پشتیبان (SVM) برای پیشبینی جریان مورد استفاده قرار گرفتهاند. بهترین تخمین جریان با استفاده از مدلهای MLP و PA-MLP در ایستگاه آبسنجی صفاخانه بهترتیب با RMSE برابر با (m۳/s) ۶۸/۵ و (m۳/s) ۸۵/۴ و CC برابر با ۷۳/۰ و ۷۸/۰ و در ایستگاه آبسنجی سنته بهترتیب با RMSE برابر با (m۳/s) ۴۴/۶ و (m۳/s) ۳۶/۶ و CC برابر با ۷۸/۰ و ۷۹/۰ انجام شده است. مدل PA-SVM نیز بهترتیب با RMSE و CC برابر با (m۳/s) ۴۵/۵ و ۷۳/۰ در دوره صحتسنجی نتایج بهتری را نسبت مدل SVM در تخمین جریان ایستگاه آبسنجی صفاخانه داشته است. همچنین نتایج نشان داد که مدلهای SVM و PA-SVM جریان ایستگاه سنته را با RMSE بهترتیب برابر با (m۳/s) ۸۵/۶ و (m۳/s) ۰۳/۷ تخمین زدهاند. در حالت کلی نتایج نشان داد که روش تجزیه پروکراستس میتواند بهعنوان یکی از روش های کارآمد و مناسب جهت تعیین تعداد ورودی موثر مورد استفاده قرار گیرد. مقایسه نتایج مدلهای MLP و SVM نیز نشان داد که مدل MLP از دقت بیشتری نسبت به مدل SVM برخوردار است.
Keywords:
Authors
بهروز سبحانی
دانشیار گروه جغراقیا دانشگاه محقق اردبیلی
محمد عیسی زاده
دانشجوی دکتری دانشگاه تبریز
منیر شیرزاد
دانشجوی ارشد
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 :