بررسی اثر مقیاس زمانی (روزانه، ماهانه و سالانه) در پیش بینی بار رسوب معلق
Publish place: Journal of Hydrogeomorphology، Vol: 4، Issue: 10
Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 195
This Paper With 23 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_HYD-4-10_007
تاریخ نمایه سازی: 4 بهمن 1401
Abstract:
تعیین بار رسوبی معلق رودخانه ها یکی از پروژه های مهم مهندسی رودخانه می باشد. پیش بینی بار رسوبی معلق کمک شایانی در زمینه مدیریت منابع آبی خواهد نمود. سوال اصلی در این تحقیق بررسی نقش انواع داده های روزانه، ماهانه و سالانه در برآورد بار رسوبی با استفاده از مدل های مبتنی بر یادگیری ماشین است. بدین منظور از آمار بار معلق در سه مقیاس زمانی روزانه، ماهانه و سالانه ایستگاه هیدرومتری اوهایو واقع در ایالات متحده آمریکا در فاصله سال های ۱۹۹۲ تا ۲۰۱۴ استفاده گردید. با هدف انتخاب مناسب ترین مدل، مدل های شبکه عصبی مصنوعی پس انتشار خطا و تابع پایه ی شعاعی، رگرسیون خطی، k نزدیک ترین همسایه، درخت تصمیم M۵، فرآیند گوسی، ماشین بردار پشتیبان و ماشین بردار پشتیبان تکاملی اجرا و مورد ارزیابی قرار گرفتند. نتایج حاصل از این تحقیق نشان داد که برای داده های روزانه، مدل k نزدیک ترین همسایه با ۲۸/۵RMSE=؛ برای داده های ماهانه مدل فرآیند گوسی با ۷/۸RMSE= و برای داده های سالانه مدل فرآیند گوسی با مقدار ۲/۷RMSE= مناسب ترین مدل جهت پیشبینی بار رسوبی معلق بوده اند. همچنین مقایسه مقادیر ارزیابی مدل ها حاکی از آن است که پیش بینی داده های سالانه نسبت به ماهانه و روزانه از دقت بیشتری برخوردار هستند.
Keywords:
Authors
مریم اسدی
دانشجوی کارشناسی ارشد آبخیزداری، دانشکده کشاورزی و منابع طبیعی دانشگاه اردکان، اردکان
علی فتح زاده
عضو هیات علمی / دانشگاه اردکان
روح الله تقی زاده مهرجردی
استادیار دانشکده کشاورزی و منابع طبیعی دانشگاه اردکان، اردکان
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 :