آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,429 |
| تعداد مقالات | 17,583 |
| تعداد مشاهده مقاله | 57,200,278 |
| تعداد دریافت فایل اصل مقاله | 19,032,993 |
توسعه مدل ترکیبی IHACRES–XGBoost برای شبیه‌سازی رواناب روزانه در حوضه قره‌سو | ||
| هیدروژئومورفولوژی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 29 شهریور 1404 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/hyd.2025.68164.1800 | ||
| نویسندگان | ||
| مریم بیاتی خطیبی* 1؛ وحید کاکاپور2 | ||
| 1هیات علمی | ||
| 2گروه سنجش از دور | ||
| چکیده | ||
| در این پژوهش، با هدف بهبود دقت شبیه‌سازی رواناب روزانه در حوضه‌ی قره‌سو واقع در استان کرمانشاه، یک چارچوب مدل‌سازی ترکیبی مبتنی بر تلفیق مدل مفهومی IHACRES و الگوریتم‌های پیشرفته یادگیری ماشین توسعه داده شد. داده‌های مورد استفاده شامل بارش، دمای حداقل، حداکثر و میانگین و دبی رودخانه از ایستگاه‌های هیدرومتری پل‌کهنه و قورباغستان در بازه‌ی زمانی ۱۹۹۵ تا ۲۰۲۳ می‌باشند. در مرحله نخست، مدل نیمه‌توزیعی IHACRES جهت شبیه‌سازی فرآیند بارش–رواناب پیاده‌سازی گردید و با بهره‌گیری از الگوریتم ژنتیک،پارامترهای آن بهینه‌سازی شد. به‌منظور حذف نوسانات کوتاه‌مدت، یک فیلتر میانگین متحرک سه‌روزه بر خروجی مدل اعمال شد. سپس،با استفاده از خروجی IHACRES و مجموعه‌ای از متغیرهای مشتق‌شده شامل ویژگی‌های تأخیری، آماره‌های بارش و دما، شاخص‌های زمانی و خشکسالی، یک مدل یادگیری ماشین نوع XGBoost طراحی گردید. عملکرد مدل‌ها با شاخص‌های آماری RMSE و NSE در دو دوره آموزش و آزمون مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل پایه‌ی IHACRES عملکردی در حد قابل قبول داشت (NSE≈0.44)، اما با اعمال فیلتر میانگین متحرک و بهینه‌سازی پارامترها، دقت آن به‌طور متوسط تا ۳۰٪ افزایش یافت. در نهایت، مدل ترکیبی IHACRES–XGBoost با دستیابی به مقدار NSE بیش از ۰.۹۷ و RMSE کمتر از ۱۰، بالاترین دقت را ارائه کرد. این یافته‌ها نشان‌دهنده‌ی کارایی بالا و پتانسیل بالای مدل‌های ترکیبی در ارتقاء پیش‌بینی رواناب روزانه می‌باشد. | ||
| کلیدواژه‌ها | ||
| الگوریتم ژنتیک؛ XGBoost؛ شبیه‌سازی رواناب؛ میانگین متحرک | ||
|
آمار تعداد مشاهده مقاله: 126 |
||