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

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

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.

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 :
  • رستمی، س.، شاهی نژاد، ب.، الله یونسی، ح.، ترابی پوده، ...
  • زینلی، م.ج.، و خاشعی سیوکی، ع. (۱۳۹۷). ارزیابی دقت مدل ...
  • غفاری.، و وفاخواه، م. (۱۳۹۲). شبیه‍سازی فرآیند بارش-رواناب با استفاده ...
  • قربانی، م.ع.، ازانی، ع.، و نقی پور، ل. (۱۳۹۵). مقایسه ...
  • مومنه، ص. (۱۴۰۱). مقایسه عملکرد مدل های هوش مصنوعی با ...
  • میرزانیا، ا.، ملک احمدی، ح.، شاه محمدی، ی.، و ابراهیم ...
  • نجیب زاده، ن.، قادری، ک.، و احمدی، م.م. (۱۳۹۸). بهره‍گیری ...
  • Adamowski, J. (۲۰۱۳). Using support vector regression to predict direct ...
  • Afan, H.A., El-Shafie, A., Yaseen, Z.M., Hameed, M.M., Wan Mohtar, ...
  • Ahmed, J.A., & Sarma, A.K. (۲۰۰۷). Artificial neural network model ...
  • Al-Abadi, A.M., & Shahid, S. (۲۰۱۶). Spatial mapping of artesian ...
  • Askarzadeh, A. (۲۰۱۶). A novel metaheuristic method for solving constrained ...
  • Aytek, A., Asce, M., & Alp, M. (۲۰۰۸). An application ...
  • Barzegari Banadkooki, F., Ehteram, M., Panahi, F., Sammen, S.Sh., Binti ...
  • Behzad, M., Asghari, K., Eazi, M., & Palhang, M. (۲۰۰۹). ...
  • Beven, K. (۱۹۸۹). Changing ideas in hydrology- The case of ...
  • Breiman, L. (۲۰۰۱). Random forests. Machine Learning, ۴۵(۱), ۵-۳۲ ...
  • Choy, K.Y., & Chan, C.W. (۲۰۰۳). Modelling of river discharges ...
  • Cutler, A., Cutler, D.R., & Stevens, J.R. (۲۰۱۲). Random forests. ...
  • Danandeh Mehr, A., Kahya, E., Şahin, A., & Nazemosadat, M.J. ...
  • Dawson, C.W., & Wilby, R.L. (۲۰۰۱). Hydrological modelling using artificial ...
  • Dehghani, R., & Poudeh, H.T. (۲۰۲۱). Applying hybrid artificial algorithms ...
  • Dehghani, R., & Torabi Poudeh, H. (۲۰۲۲). Application of novel ...
  • Dehghani, R., Poudeh, H.T., Younesi, H., & Shahinejad, B. (۲۰۲۰). ...
  • Dehghani, R., Torabi, H., Younesi, H., & Shahinejad, B. (۲۰۲۱). ...
  • Deo, R.C., & Şahin, M. (۲۰۱۶). An extreme learning machine ...
  • Flint, A.L., Flint, L.E., Bodvarsson, G.S., Kwicklis, E.M., & Fabryka-Martin, ...
  • Ghorbanzadeh, O., Blaschke, T., Gholamnia, K., Meena, S.R., Tiede, D., ...
  • Ghafari, G.A., & Vafakhah, M. (۲۰۱۴). Simulation of rainfall-runoff process using artificial ...
  • Ghorbani, M.A., Azani, A., & Naghipour, L. (۲۰۱۶). Comparison of the performance ...
  • Hadi, S.J., & Tombul, M. (۲۰۱۸). Streamflow forecasting using four ...
  • Hajian, R., Jalali, M.R., & Mastouri, R. (۲۰۲۲). Multi-step Lake ...
  • Hassanien, A.E., Rizk-Allah, R.M., & Elhoseny, M. (۲۰۱۸). A hybrid ...
  • Hussien, A.G., Amin, M., Wang, M., Liang, G., Alsanad, A., ...
  • Kambalimath, S.S., & Deka, P.C. (۲۰۲۱). Performance enhancement of SVM ...
  • Khosravi, K., Cooper, J.R., Daggupati, P., Pham, B.T., & Bui, ...
  • Khosravi, K., Mao, L., Kisi, O., Yaseen, Z.M., & Shahid, ...
  • Khosravi, K., Miraki, S., Saco, P.M., & Farmani, R. (۲۰۲۱). ...
  • Liaw, A., & Wiener, M. (۲۰۰۲). Classification and regression by ...
  • Malik, A., Tikhamarine, Y., Souag-Gamane, D., Kisi, O., & Pham, ...
  • Mamun, A.A., Islam, A.R.M.T., Khosravi, K., & Singh, S.K. (۲۰۲۲). ...
  • Meraihi, Y., Gabis, A.B., Ramdane-Cherif, A., & Acheli, D. (۲۰۲۱). ...
  • Mirzania, E., Malek Ahmadi, H., Shahmohammadi, Y., & Ebrahim Zadeh, ...
  • Moldovan, D., Chifu, V., Pop, C., Cioara, T., Anghel, I., ...
  • Momeneh, S. (۲۰۲۲). Performance comparison of artificial intelligence models with ...
  • Oliveira, S., Oehler, F., San-Miguel-Ayanz, J., Camia, A., & Pereira, ...
  • Panah, P.G., Bornapour, M., Hemmati, R., & Guerrero, J. M. ...
  • Pandhiani, S.M., Sihag, P., Shabri, A.B., Singh, B., & Pham, ...
  • Pijarski, P., & Kacejko, P. (۲۰۱۹). A new metaheuristic optimization ...
  • Rashidi, S., Vafakhah, M., Lafdani, E.K., & Javadi, M.R. (۲۰۱۶). ...
  • Remesan, R., Shamim, M.A., Han, D., & Mathew, J. (۲۰۰۹). ...
  • Roshni, T., Mirzania, E., Hasanpour Kashani, M., Bui, Q. A.T., ...
  • Roustami, S., Shahinejad, B., Younesi, H., Torabi poudeh, H., & ...
  • Samsudin, R., Saad, P., & Shabri, A. (۲۰۱۱). River flow ...
  • Sarma, S.K. (۲۰۲۱). Optimally configured deep convolutional neural network for ...
  • Shahdad, M., & Saber, B. (۲۰۲۲). Drought forecasting using new ...
  • Sharafati, A., Khosravi, K., Khosravinia, P., Ahmed, K., Salman, S.A., ...
  • Sudheer, C., Maheswaran, R., Panigrahi, B.K., & Mathur, S. (۲۰۱۴). ...
  • Vapnik, V., Golowich, S., & Smola, A. (۱۹۹۶). Support vector ...
  • Were, K., Bui, D.T., Dick, B., & Singh, B.R. (۲۰۱۵). ...
  • Yousefi, V., Kheiri, S., & Rajebi, S. (۲۰۲۰). Evaluation of ...
  • Yu, P.S., Chen, S.T., & Chang, I.F. (۲۰۰۶). Support vector ...
  • Zhu, M., Sun, W., Hahn, A., Wen, Y., Xiao, C., ...
  • Zeinali, M.J., & Khashei Siuki, A. (۲۰۱۸). Assessing the Accuracy ...
  • نمایش کامل مراجع