مقایسه عملکرد مدل درختی M5 با مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان در استخراج منحنی تداوم جریان مطالعه موردی: ایستگاه خزانگاه رودخانه ارس

قربان مهتابی; فاطمه بیات

مقایسه عملکرد مدل درختی M5 با مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان در استخراج منحنی تداوم جریان مطالعه موردی: ایستگاه خزانگاه رودخانه ارس

Publish place: Geography and Development Iranian Journal، Vol: 15، Issue: 49

Publish Year: 1396

Type: Journal paper

Language: Persian

This Paper With 14 Page And PDF Format Ready To Download

DOWNLOAD Paper

Certificate
I'm the author of the paper

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

هوش مصنوعی > شبکه عصبی

Export:

Link to this Paper:

https://civilica.com/doc/886379

Document National Code:

JR_GDIJ-15-49_008

Index date: 13 July 2019

مقایسه عملکرد مدل درختی M5 با مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان در استخراج منحنی تداوم جریان مطالعه موردی: ایستگاه خزانگاه رودخانه ارس abstract

یکیاز مهمترینو پرکاربردترینعلائمپاسخهیدرولوژیکحوزه، منحنیتداومجریان استو درکاربرد هایهیدرولوژیکیبی شماری برای آنالیز فراوانیجریانهایکمینهو سیلابمورد استفادهقرار میگیرد. برای نمایش محدوده کامل دبی رودخانه، از جریان های حداقل تا حداکثر سیلاب و منحنی تداوم جریان (FDC)استفاده می شود؛ بنابراین استخراج دقیق این منحنی ها با حداقل خطا حائز اهمیت فراوانی است. در این مطالعه کارایی مدل درختی M5 در استخراج منحنی تداوم جریان در مقایسه با شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای ایستگاه خزانگاه رودخانه ارس واقع در استان آذربایجان شرقی بررسی شد.با توجه به نتایج به دست آمده در مدل درختی M5، ترکیب 80% دادهها برای آموزش و مابقی برای تست مدل، بهترین عملکرد را در ارائه منحنی تداوم جریان با 992/0R2=، (m3/s)47/5RMSE= و (m3/s) 38/4MAE= نشان داد. با بررسی نتایج مدل های مختلف شبکه عصبی، بهترین مدل با 2 نرون برای لایه مخفی با مقادیر 997/0R2=، (m3/s) 91/3RMSE= و (m3/s) 30/3MAE= به دست آمد.بررسی عملکرد کرنل RBF مدل ماشین بردار پشتیبان نشان داد که این مدل بهترین عملکرد را در شبیه سازی منحنی تداوم جریان داشت؛ به طوری که دارای حداقل مقدار مجذور میانگین مربع های خطا ((m3/s) 98/2RMSE=)، بالاترین ضریب همبستگی (998/0R2=) و کمترین مقدار خطای نسبی ((m3/s) 66/2MAE=) بود. مقایسه نتایج بین انواع مدل های هوشمند مورد بررسی، بیانگر این است که هر سه مدل در تخمین مقادیر دبی منحنی تداوم جریان عملکرد مناسبی دارند؛ اما مدل درختی M5 به علت سادگی محاسبات و ارائه روابط شده، به لحاظ کاربردی قابلیت بیشتری میتواند در استخراج منحنی تداوم داشته باشد.

مقایسه عملکرد مدل درختی M5 با مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان در استخراج منحنی تداوم جریان مطالعه موردی: ایستگاه خزانگاه رودخانه ارس Keywords:

تداوم , دبی جریان , رودخانه ارس , مقدار خطا , مدل های هوشمند

مقایسه عملکرد مدل درختی M5 با مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان در استخراج منحنی تداوم جریان مطالعه موردی: ایستگاه خزانگاه رودخانه ارس authors

قربان مهتابی

استادیار مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران

فاطمه بیات

دانشجوی کارشناسی ارشد منابع آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، 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 :

اسلامی، علیرضا؛ علیرضا شکوهی (1392). تحلیل وضعیت جریان رودخانه با ...

اسلامیان، سیدسعید؛ محسن قاسمی؛ سمیه سلطانی گردفرامرزی(1391). محاسبه و ناحیه ...

امامی فر، سعید؛ علی رحیمی خوب (1390). ارزیابی مدل درختی ...

ستاری، محمدتقی؛فرناز نهرین؛ وحید عظیمی (1392). پیش بینی تبخیر- تعرق ...

ستاری، محمدتقی؛ علی رضازاده جودی؛ فرناز نهرین (1393). پیش بینی ... [مقاله ژورنالی]

سپهوند، علیرضا؛ نجمیه عزارخوانی؛ مجید طائی سمیرمی؛ شمس اله عسگری ...

شماعی زاده، مریم؛ سعید سلطانی (1393). تحلیل فراوانی منطقه ای ...

تحلیل منطقه ای منحنی تداوم جریان برای زیرحوضه های فاقد آمار (مطالعه موردی: حوضه آبخیز دریاچه نمک) [مقاله ژورنالی]

شیخعلیپور، زینب؛ فرزاد حسنپور؛ وحید عظیمی (1394). مقایسه روش های ... [مقاله ژورنالی]

صیادی، حبیب؛ ابوالفتح اولادغفاری؛ احد فعالیان؛ سید علی اشرف الدین ...

ظهیری، عبدالرضا؛ خلیل قربانی (1392). شبیه سازی دبی جریان در ... [مقاله ژورنالی]

عصاری، مصطفی؛ مهدی کوچکزاده؛ مهدی شهابیفر؛ کامیار بیات (1388). تخمین ... [مقاله ژورنالی]

بررسی روش های مختلف استخراج جریان پایه با استفاده از شاخص منحنی تداوم جریان(مطالعه موردی: ناحیه خزری) [مقاله ژورنالی]

کاکایی لفدانی، الهام؛ علیرضا مقدم نیا؛ آزاده احمدی؛ حیدر ابراهیمی ...

تحلیل خشکسالی هیدرولوژیکی با روش حد آستانه ثابت (مطالعه موردی: حوزه آبخیز کرخه) [مقاله ژورنالی]

کوچک زاده، مهدی؛ عارف بهمنی (1384). ارزیابی عملکرد شبکه های ...

زارع زاده مهریزی، محبوبه؛ امید بزرگ حداد (1389). شبیه سازی ...

زارع چاکوکی، اصغر؛ علی سلاجقه؛ محمد مهدوی؛ شهرام خایقی؛ سعید ...

مهدوی، محمد (1392). هیدرولوژی کاربردی، انتشارات دانشگاه تهران، جلد دوم، ...

یوسفی مبرهن، ابراهیم؛ فرحمند کامبخش؛ نفیسه فهیم؛ عماد فهیم (1395). ...

Alcazar, J., Palau, A (2010). Mediterranean watershed based on a ...

Bayazidi, M., Saghafian, B., Sedghi, H., Kaveh. F (2010). Analysis ...

Behzad, M., Asghari, K., Coppola, E (2010). Comparative study of ...

Bhattacharya, B., Solomatine, D.P (2005). Neural networks and M5 model ...

Booker,D.J.,Dunbar, M. J (2004). Application of physical habitat simulation (PHABSIM) ...

Bray, M., Han, D (2004). Identification of support vector machines ...

Burges, Ch.J.C (1998). A Tutorial on SVM for Pattern Recognition. ...

Çimen,M (2008). Estimation of daily suspended sediment using support vector ...

Ditthakit,P.,Chinnarasri,C.H(2012). Estimation of pan coefficient using M5 model tree. American ...

Gunn S.R (1998). SVM for Classification and Regression . Faculty ...

Hakurta, P. G (2008). Long lead monsoon rainfall prediction for ...

Kisi, O (2012). Least squares support vector machine for modeling ...

Kumar, M., Raghuwanshi, N.S., Singh, R., Wallender, W.W., Pruitt, W.O ...

Lin, G.F., Chen, G.R, Huang, P.Y., Chou, Y.C (2009). Support ...

Moghaddamnia, A., Ghafari Gousheh, M., Piri J., Amin S., Han, ...

Nouri, R., Karbassi, A.R., Moghaddamnia, A., Han, D., Zokaei-Ashtiani, M.H. ...

Pal, M., Deswal, S (2009). M5 model tree based modeling ...

Patel, J.A (2007). Evaluation of low flow estimation techniques for ...

Pitman, W.V (1993).Simulation of runoff river schemes using monthly data. ...

Quinlan.J. R (1992). Learning with continuous classes. In proceedings AI, ...

Onyari, E.K., Ilunga F. M (2013). Application of MLP Neural ...

Sattari, M.T., Yurekli, K., Unlukara, A (2011). Drought Prediction by ...

Sattari, M.T., Pal, M. Apaydin, H. Ozturk, F (2013). M5 ...

Searcy, J. K (1959). Flow-Duration Curves, US Geological Survey Water ...

Shaeri Karimi, S., Yasi, M., Eslamian, S. (2012). Uses of ...

Smakhtin, V. U (2001). Low - flow hydrology: a review. ...

Stravs,L., and Brilly, M (2007). Development of a Low Flow ...

Suresh, Chalise,S. R., Kansakar, G., Rees , K.,Croker,M.,Zaidman , (2003). ...

Vogel, R. M., Fennessey, N. M (1994). Flow-duration curves, I: ...

Warnick,C.C(1984).Hydropower Engineering. Prentice-Hall, Inc., Englewood Cliffs, New Jersay. PP: 59-73. ...

Zhou, Y., Lu, X.X., Huang, Y.and Zhu, Y.M (2007). Suspended ...

نمایش کامل مراجع