آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,539 |
| تعداد مقالات | 18,781 |
| تعداد مشاهده مقاله | 62,787,693 |
| تعداد دریافت فایل اصل مقاله | 22,723,616 |
پیش بینی روزانه جریان رودخانه سیمینه با استفاده از مدل های یادگیری ماشین و عمیق تقویت شده با مدل بهینه سازی عقاب | ||
| دانش آب و هیدرولیک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 28 شهریور 1405 | ||
| نوع مقاله: مقاله کامل پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/hws.2026.71426.1043 | ||
| نویسندگان | ||
| ادریس معروفی نیا* 1؛ کامران یوسفی2؛ مهرنگ دوستی رضایی3؛ فرزانه داروغه4 | ||
| 1دانش آموخته دکتری عمران آب دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران و کارشناس منابع آب شرکت آب منطقه ای آذربایجان غربی | ||
| 2کارشناس مطالعات آب های سطحی دفتر مطالعات پایه شرکت آب منطقه ای آذربایجان غربی، ارومیه، ایران | ||
| 3مدیر مطالعات پایه شرکت آب منطقه ای آذربایجان غربی، ارومیه، ایران | ||
| 4کارشناس منابع آب شرکت مهندسی مشاور مهارآب عمران گستر، ایران | ||
| چکیده | ||
| پیشبینی جریان رودخانه بر اساس فرآیندها با عدمقطعیتهای قابلتوجهی در پارامترهای مدل و روشهای پارامتریسازی مرتبط با فرآیندهای پیچیده تولید رواناب مواجه است. برای بهینه نمودن ضرایب و هایپرپارمترهای مدل نیز از الگوریتم بهینه سازی ( فرا ابتکاری) عقاب (AO) استفاده گردید. عملیات پیش پردازش داده ها ( از قبیل آزمون همگنی، نرمال سازی داده و حذف داده های پرت و بازسازی اطلاعات مفقوده) قبل از فرایند مدلسازی انجام گرفت. پارامترهای ورودی تحقیق شامل بارش تصحیح شده ( میلی متر بر روز)، دامنه تغیررات دمای دو متری (درجه سانتی گراد)، رطوبت نسبی در ارتفاع دو متری ( درصد)، دامنه تغییرات سرعت باد در ارتفاع ده متری (متر بر ثانیه)، دبی جریان با یک روز تا سه روز تاخیر ( مترمکعب بر ثانیه) و دبی جریان رودخانه ( مترمکعب بر ثانیه) بعنوان خروجی استفاده گردید. برای انتخاب سناریو و ترکیب مدل از ضریب همبستگی پیرسون (PCC) بین متغیرهای ورودی و پارامتر خروجی استفاده گردید و مجموعا از هفت سناریو استفاده گردید. تفکیک و تقسیم بندی داده ها برای فرایند آموزش و آزمون با نسبت 70 به 30 انجام گرفت. نتایج نشان داد که مدل RF-AO در سناریوی چهارم (SN4) با ترکیب بهینهای از متغیرهای هیدروکلیماتیک، بهترین تعمیمپذیری را در فاز آزمون داشته است؛ بهطوریکه مقادیر RMSE = 11.931 مترمکعب بر ثانیه، R² = 0.834 و NSE = 88.0٪ را کسب کرد. این مدل نسبت به LSTM-AO و ANN-AO بهترتیب حدود 2.3٪ و 36.0٪ بهبود در معیار NSE نشان داد. | ||
| کلیدواژهها | ||
| پیش بینی جریان رودخانه؛ مدل یادگیری ماشین؛ رودخانه سیمینه؛ ضریب پیرسون؛ الگوریتم عقاب | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2 |
||