پیش بینی جریان رودخانه کورکورسر نوشهر با استفاده از مدل های هیبریدی هوش مصنوعی
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 126
فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_MMWS-3-1_013
تاریخ نمایه سازی: 1 آذر 1402
چکیده مقاله:
پیش بینی دقیق جریان رودخانه یکی از موضوعات مهم در برنامه ریزی، طراحی، بهره برداری و مدیریت سیستم منابع آب است. هم چنین یک فعالیت ضروری و چالش برانگیز برای شناسایی دوره های خشکسالی هیدرولوژیکی، هشدار و کنترل سیل، بهینه سازی سیستم هیدرولوژیکی یا برنامه ریزی جامع توسعه منابع آب در سند چشمانداز، مدل سازی فعل و انفعالات جریان آب زیرزمینی است. مدل سازی بارش-رواناب یکی از روشهای تخمین رواناب و ابزاری مناسب برای مطالعه فرآیندهای هیدرولوژیکی، ارزیابی منابع آبی و مدیریت حوضه آبخیز است. اما پیچیدگی و ماهیت غیرخطی فرآیند بارش-رواناب و ناشناخته بودن تاثیر عوامل روی یکدیگر و نهایتا روی دبی خروجی حوضه، مدل سازی را مشکل می کند. در این پژوهش از داده های بارش (Pt)، بارش با یک روز تاخیر (Pt-۱) تا بارش با سه تاخیر (Pt-۳) و دبی با یک روز تاخیر (Qt-۱) تا دبی با سه روز تاخیر (Qt-۳) به عنوان متغیرهای ورودی و از دبی (Qt) به عنوان متغیر خروجی جهت پیش بینی جریان رودخانه کورکورسر نوشهر استفاده شد. سری زمانی، روزانه بوده و از ۷۰ درصد داده ها برای فرآیند آموزش (۱۳۷۶ تا ۱۳۸۷) و ۳۰ درصد داده ها برای آزمون (۱۳۸۷ تا ۱۳۹۱) استفاده شد. مدل های مورد استفاده در این پژوهش، سه مدل منفرد جنگل تصادفی (RF)، شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان رگرسیون (SVR) و سه مدل ترکیبی هیبریدی شامل مدل بگینگ- جنگل تصادفی (BA-RF)، شبکه عصبی- تفنگدار خلاق (ANN-AIG) و ماشین بردار پشتیبان رگرسیون- الگوریتم بهینه سازی جستجوی کلاغ (SVR-CSA) می باشد. هم چنین جهت ارزیابی مدل های مورد استفاده از شاخص های ارزیابی مجذور میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE)، ضریب بهره وری نش-ساتکلیف (NSE) و ضریب نسبت مجذور میانگین مربعات خطا به انحراف استاندارد مشاهداتی (PSR) استفاده شد. نتایج نشان داد که همه مدل های مورد استفاده (منفرد و هیبریدی) در پیش بینی جریان، عملکرد مطلوبی دارند. هم چنین مدل ANN-AIG به میزان ۳۲.۹۴ درصد، مدل SVR-CSA منفرد ۲۳.۱۷ درصد و مدل BA-RF نیز ۱۷.۷۴ درصد خطای مدل منفرد را بهبود بخشیدند. در بین تمامی مدل های به کار رفته نیز، ANN-AIG دارای بهترین عملکرد در پیش بینی جریان رودخانه کورکورسر نوشهر بوده است.
کلیدواژه ها:
نویسندگان
ادریس معروفی نیا
دانشجوی دکتری/ گروه مدیریت ساخت و آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
احمد شرافتی
دانشیار/ گروه مدیریت ساخت و آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
هیراد عبقری
دانشیار/ گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران
یوسف حسن زاده
استاد/گروه مهندسی آب، مرکز آموزش عالی هیدروانفورماتیک، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :