معرفی یک مدل غیر خطی بر اساس هیبرید ماشین های یادگیری به منظور مدل سازی و پیش بینی بارش و مقایسه با روش SDSM (مطالعات موردی: شهرکرد، بارز و یاسوج)
عنوان مقاله: معرفی یک مدل غیر خطی بر اساس هیبرید ماشین های یادگیری به منظور مدل سازی و پیش بینی بارش و مقایسه با روش SDSM (مطالعات موردی: شهرکرد، بارز و یاسوج)
شناسه ملی مقاله: JR_IJSWR-51-2_004
منتشر شده در در سال 1399
شناسه ملی مقاله: JR_IJSWR-51-2_004
منتشر شده در در سال 1399
مشخصات نویسندگان مقاله:
مهدی ولیخان انارکی - دانش آموخته کارشناسی ارشد، گروه مهندسی و مدیریت منابع آب، دانشکده مهندسی عمران، دانشگاه سمنان
سید فرهاد موسوی - گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان
سعید فرزین - استادیار گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهدسی عمران، دانشگاه سمنان
حجت کرمی - استادیار گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهدسی عمران، دانشگاه سمنان
خلاصه مقاله:
مهدی ولیخان انارکی - دانش آموخته کارشناسی ارشد، گروه مهندسی و مدیریت منابع آب، دانشکده مهندسی عمران، دانشگاه سمنان
سید فرهاد موسوی - گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان
سعید فرزین - استادیار گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهدسی عمران، دانشگاه سمنان
حجت کرمی - استادیار گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهدسی عمران، دانشگاه سمنان
در پژوهش حاضر، مدلی هیبریدی بر مبنای روشهای غیرخطی شامل رگرسیون تطبیقی چندگانه اسپلاین (MARS)، شبکه عصبی مصنوعی (ANN) و K نزدیکترین همسایه (KNN) به منظور ریزمقیاسنمایی و پیشبینی بارش ایستگاه های شهرکرد، بارز و یاسوج تحت شرایط تغییر اقلیم معرفی شده است. مدل هیبریدی ارائه شده، مانند مدل ریزمقیاس نمایی SDSM، از دو گام طبقهبندی و رگرسیون تشکیل شده است. مدل MARS برای طبقهبندی وقوع بارش و الگوریتمهای ANN و KNN برای تعیین مقدار بارش بهکار برده شدهاند. نتایج مدل MARS برای تعیین وقوع بارش نشان میدهد که مدل مذکور نسبت به مدل SDSM از دقت بیشتری برخوردار است. با مقایسه نتایج ریزمقیاسنمایی مشاهده میشود که الگوریتم ANN نسبت به مدل SDSM و الگوریتم KNN دارای دقت بیشتری در تعیین میانگین سالانه و ماهانه بارش است. بهطوری که در ایستگاه شهرکرد مقدار معیار R برای الگوریتم ANN نسبت به مدل SDSM به اندازه ۵۴ درصد دقیقتر است. همچنین، الگوریتمهای ANN، KNN و SDSM از نظر بیشترین دقت در سه ایستگاه بررسی شده، با در نظر گرفتن میانگین، انحراف معیار و ضریب چولگی ماهانه به ترتیب در رتبههای اول، دوم و سوم قرار داده میشوند. در نهایت، مقدار تغییرات بارش در دوره آینده نزدیک (۲۰۲۰-۲۰۴۰) و آینده دور (۲۰۷۰-۲۱۰۰) تحت سناریوهای A۲ و B۲ مدل HADCM۳ بررسی شد. نتایج نشان داد که کمترین کاهش بارش (۲ درصد) مربوط به الگوریتم ANN (در ایستگاه شهرکرد) و سناریوی A۲ در دوره آینده نزدیک و بیشترین آن (۵۴ درصد) مربوط به مدل SDSM (در ایستگاه یاسوج) و سناریوی A۲ در دوره آینده دور میباشد. در نهایت می توان نتیجه گرفت که هیبرید ماشین های یادگیری نسبت به مدل SDSM، از دقت بیشتری برخوردار است و می توان از مدل معرفی شده به عنوان جایگزین مدل SDSM استفاده کرد.
کلمات کلیدی: تغییر اقلیم, ریز مقیاس نمایی, ماشین های یادگیری, بارش
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1663410/