پیش بینی کوتاه مدت خشک سالی هیدرولوژیک با استفاده از روش مبتنی بر یادگیری عمیق
Publish Year: 1403
نوع سند: مقاله ژورنالی
زبان: Persian
View: 6
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWWSE-9-2_001
تاریخ نمایه سازی: 22 شهریور 1403
Abstract:
خشکسالی هیدرولوژیک بر تخصیص آب و تولید برق آبی تاثیر می گذارد. از اینجهت پیشبینی خشکسالی می تواند به مدیریت بهینه منابع آب کمک نماید. در این مقاله، خشکسالی هیدرولوژیکی کوتاه مدت بر اساس یادگیری عمیق پیش بینی شد. برای این منظور، شاخص استاندارد خشکسالی هیدرولوژیک (SHDI) دربازه های یک، سه و شش ماه محاسبه شد. سپس، سه حالت کلی برای پیش بینی SHDI و ۳۶ ترکیب ورودی-خروجی استخراج شدند. در مرحله بعد، الگوریتم های مختلف بهینه سازی، ازجمله الگوریتم بهینه سازی ملخ، الگوریتم ازدحام نمک، بهینه سازی مبتنی بر جغرافیای زیستی و بهینه سازی ازدحام ذرات ترکیبشده با ANN برای پیش بینی SHDI مورداستفاده قرار گرفتند. در این تحقیق ۷۰% داده ها برای آموزش و ۳۰% برای آزمایش مدلها درنظر گرفته شدند. در نهایت عملکرد شبکه عصبی عمیق (DNN) در مقایسه با نتایج مدل های ترکیبی و ANN نشان داد که مدل های ترکیبی عملکرد بهتری داشته اند ولی در مقایسه با یادگیری عمیق توانایی آنها کمتر است. یادگیری عمیق بدون نیاز به تعریف ترکیب ورودیها، توانست مقدار RMSE را به ۳۲/۰ کاهش دهد.
Keywords:
Authors
عباس نوری نژاد
فارغ التحصیل کارشناسی ارشد، دانشکده عمران، معماری و هنر، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
فرهاد هوشیاری پور
استادیار، دانشکده عمران، معماری و هنر، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
مجید دهقانی
دانشیار گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه ولیعصر (عج) رفسنجان، رفسنجان، 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 :