استفاده از مدل های سری زمانی، شبکه عصبی و ماشین بردار پشتیبان جهت پیش بینی دبی ورودی به سد گرگان
عنوان مقاله: استفاده از مدل های سری زمانی، شبکه عصبی و ماشین بردار پشتیبان جهت پیش بینی دبی ورودی به سد گرگان
شناسه ملی مقاله: JR_JEWE-4-4_003
منتشر شده در شماره 4 دوره 4 فصل در سال 1397
شناسه ملی مقاله: JR_JEWE-4-4_003
منتشر شده در شماره 4 دوره 4 فصل در سال 1397
مشخصات نویسندگان مقاله:
میثم صمدی - دانشجوی دکتری، گروه آبخیزداری و مدیریت مناطق بیابانی، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
ابوالحسن فتح آبادی - استادیار، گروه آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس، گنبد کاووس، ایران
خلاصه مقاله:
میثم صمدی - دانشجوی دکتری، گروه آبخیزداری و مدیریت مناطق بیابانی، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
ابوالحسن فتح آبادی - استادیار، گروه آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس، گنبد کاووس، ایران
پیشبینی مقادیر جریان ورودی به سیستم منابع آب بهمنظور آگاهی از شرایط آینده و برنامهریزی برای تخصیص بهینه منابع آب به بخشهای مختلف از قبیل شرب، کشاورزی و صنعتی امری ضروری در مدیریت منابع آب میباشد. هدف از پژوهش حاضر پیشبینی مقادیر دبی ماهانه ورودی به سد گرگان برای آینده بود. بدین منظور از دادههای هیدرومتری ایستگاه قزاقلی با دوره آماری 47 سال و سه مدل سریزمانی، شبکه عصبی و ماشین بردار پشتیبان جهت پیشبینی استفاده شد و نتایج مدلهای مختلف مورد مقایسه قرار گرفت. با توجه به نتایج بهدست آمده در مدل سری زمانی بر اساس معیارهای آکاییک و شوارتز، مدل(1,0,1) ARIMA (1,0,0)بهعنوان مدل بهینه انتخاب شد. در مدل شبکه عصبی، شبکه با ورودی 2 و 10 نرون بهعنوان شبکه برتر انتخاب شد و در مدل ماشین بردار پشتیبان شبکه با ورودی 1 بهعنوان شبکه برتر انتخاب شد. در نهایت با توجه به نتایج بهدست آمده و با توجه به معیارهای ارزیابی مدلها، مدل ماشین بردار پشتیبان بهترین عملکرد را نسبت به دو مدل دیگر داشت. مقادیر RMSE و AARE برای مدل ماشین بردار پشتیبان بهترتیب 31/5 و 07/1، برای مدل شبکه عصبی بهترتیب 88/9 و 78/2 و برای مدل سری زمانی بهترتیب 84/8 و 20/1 بهدست آمد. بر اساس نتایج این پژوهش، بهترین مدل برای پیشبینی دبی ماهانه ورودی به سد گرگان مدل ماشین بردار پشتیبان میباشد.
کلمات کلیدی: آکاییک, ایستگاه قزاقلی, شوارتز, مدل سازی, نرون
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/871533/