بررسی قابلیت های رویکرد یادگیری ماشین در پیش بینی جریان سطحی روزانه با استفاده از برخی داده های هواشناسی و شاخص تفاضلی نرمال شده برف (مطالعه موردی: حوضه آبخیز لتیان و ناورود)
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 247
This Paper With 18 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_IJSWR-53-5_013
تاریخ نمایه سازی: 31 اردیبهشت 1402
Abstract:
پیشبینی دقیق جریان سطحی برای مدیریت منابع آب به ویژه پیشبینی سیل و فرسایش خاک بسیار مهم است. در مطالعه حاضر، قابلیت سه روش یادگیری ماشین (ML) شامل رگرسیون بردار پشتیبان (SVR)، شبکه عصبی مصنوعی با پس انتشار خطا (ANN-BP) و رگرسیون تقویت گرادیان (GBR) با استفاده از دادههای هواشناسی و پوشش برف سنجنده MODIS برای پیشبینی جریان سطحی روزانه در دو حوضه مختلف لتیان و ناورود بررسی شد. برای توسعه مدل، چهار متغیر اصلی شامل باران روزانه (P)، دمای حداکثر(Tmax) ، دمای حداقل (Tmin) و شاخص تفاضلی نرمال شده برف (NDSI) از سنجنده MODIS در طول سال های ۱۳۷۹-۱۳۹۷ استفاده شد. کارایی این مدل ها با استفاده از شاخص های آماری مورد ارزیابی قرار گرفت. نتایج شبیه سازی نشان داد که همه مدل ها نتایج رضایت بخشی را در شبیه سازی جریان سطحی روزانه با استفاده از متغیرهای هواشناسی به عنوان پارامترهای ورودی مدلها ارائه کردند. همچنین، کارایی همه مدل های ML مورد مطالعه، زمانی که شاخص NDSI به عنوان متغیر تخمینگر در شبیهسازی اعمال شد، بهبود یافت. بهترین کارایی را در بین تمام مدل های مورد مطالعه در هر دو حوضه، مدل GBR نشان داد. مدل SVR پایینترین کارایی را در پیش بینی جریان سطحی روزانه برای هر دو مرحله آموزش و اعتبارسنجی در اکثر موارد نشان داد. بهطور کلی، نتایج شبیهسازی در حوضه لتیان نسبت به حوضه ناورود در هر دو مرحله آموزش و اعتبارسنجی بهتر بود و نسبت به دو مدل دیگر، بهترین کارایی در مدل GBR با ضریب همبستگی (۸۵/۰R=)، ضریب کارایی نش-ساتکلیف )۷۲/۰ (NS=و جذر میانگین مربعات خطا ( m۳/s۴۳/۳(RMSE= با استفاده از شاخص NDSI در حوضه لتیان مشاهده شده است که نشاندهنده تاثیر زیاد ذوب برف در ایجاد جریان سطحی در مناطق برفخیز است.
Keywords:
Authors
محبوبه فلاح
گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران
حسینعلی بهرامی
گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران
حسین اسدی
گروه علوم و مهندسی خاک، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران، تهران، ایران
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 :