ارزیابی مدل های کلاسیک و مدل مفهومی IHACRES و مدل هیبریدی ANN ARMA-درشبیه سازی و پیش-بینی جریان روزانه مارون
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 88
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJSWR-51-3_015
تاریخ نمایه سازی: 2 خرداد 1402
Abstract:
هدف از این پژوهش مقایسه عملکرد مدلهای سری زمانی خطی باکس-جنکنیز و مدل مفهومیIHACRES ، مدل شبکه عصبی پرسپترون چندلایه و مدل هیبریدی ARMA-ANN به منظور شبیهسازی و پیشبینی جریان روزانه حوضه مارون میباشد. بدین منظور از دادههای ۱۳۷۰-۱۳۸۵ برای واسنجی و از دادههای ۱۳۸۶ -۱۳۹۶ برای صحتسنجی مدلها استفاده گردید. برای انتخاب مدلهای برتر باکس-جنکنز از آمارههای شوارتز ((SBC و معیار اطلاعات اکائیک ((AIC بهره گرفته شد. در مدلسازی دبی جریان روزانه حوضه مارون با شبکههای عصبی مصنوعی سعی شد از سناریوها و الگوریتمهای آموزشی و توابع انتقال متفاوت با ساختار نرونی گوناگون استفاده گردید. برای مدلسازی شدت جریان روزانه با شبکه عصبی، سناریو ۱ با تعداد پارامتر و تاخیر زمانی کمتر به عنوان سناریو برتر برگزیده شد. بررسی معیارهای ارزیابی مدلها نشان داد که عملکرد مدل مفهومی در مرحله صحتسنجی بهتر از مرحله واسنجی بوده است. همچنین مدل میانگین متحرک مرتبه چهارم MA(۴) با داشتن کمترین مقدار ضریب تبیین برابر با ۶۱/۰، ضعیفترین عملکرد را در بین مدلهای مختلف باکس-جنکینز به خود اختصاص داد. بررسی معیارهای ارزیابی عملکرد مدل، حاکی از برتری نسبی مدل هیبریدی ARMA-ANN نسبت به سایر مدلهای مورد استفاده در این پژوهش دارد. بهطوری که مدل ARMA-ANN بیشترین مقادیر عددی ضریب تبین ۸۶/۰ و ضریب نش-ساتکلیف ۸۱/۰ به خود اختصاص داده است. این مطلب نشاندهنده توانایی و عملکرد مدل هیبریدی ARMA-ANN درشبیهسازی و پیشبینی جریان روزانه حوضه مارون در مقایسه با سایر مدلها است.
Keywords:
Authors
عباس احمدپور
دانش آموخته کارشناسی ارشد مهندسی منابع آب، دانشگاه زابل، زابل، ایران
سیدحسن میرهاشمی
دانشجوی دکتری آبیاری و زهکشی دانشگاه زابل- دانشکده آب و خاک- گروه مهندسی آب
پرویز حقیقت جو
دانشیار گروه مهندسی آب، دانشکده آب و خاک- دانشگاه زابل
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 :