آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,561 |
| تعداد مقالات | 19,063 |
| تعداد مشاهده مقاله | 65,464,671 |
| تعداد دریافت فایل اصل مقاله | 23,922,278 |
تحلیل تأثیر انتخاب متغیرهای ورودی بر عملکرد مدل‌های یادگیری ماشین در پیش‌بینی جریان رودخانه | ||
| هیدروژئومورفولوژی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 18 آبان 1405 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/hyd.2026.72400.1850 | ||
| نویسندگان | ||
| پیام فتح اله اتی کندی1؛ صیاد اصغری سراسکانرود* 2؛ فریبا اسفندیاری دراباد3؛ سیدمهدی ثابقیان4؛ عقیل مددی5 | ||
| 1جغرافیا دانشکده علوم اجتماعی دانشگاه محقق اردبیلی شهر اردبیل ایران | ||
| 2استاد، گروه ژئومورفولوژی، دانشکده علوم اجتماعی، دانشگاه دانشگاه محقق اردبیلی، ایران | ||
| 3استاد گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران. | ||
| 4گروه عمران، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد اهر، اهر، ایران. | ||
| 5استاد ژئومورفولوژی و سنجش از دور، گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، ایران | ||
| چکیده | ||
| پیش‌بینی دقیق رواناب رودخانه‌ها یکی از الزامات اساسی و حیاتی در مدیریت پایدار منابع آب، کاهش مخاطرات هیدرولوژیکی مانند سیلاب و خشکسالی و همچنین طراحی و بهره‌برداری ایمن و بهینه از سازه‌های هیدرولیکی به شمار می‌رود. در این مطالعه، رواناب ماهیانه در محدوده سد ستارخان با استفاده از سه روش هوشمند شامل ماشین بردار پشتیبان، برنامه‌ریزی بیان ژن و الگوریتم کرم‌شب‌تاب مدل‌سازی شد. داده‌های چهار ایستگاه شامل کاسین، اورنگ، اوشدلق و سد ستارخان طی دوره زمانی 1370 تا 1400 به‌کار گرفته شد و مدل‌ها تحت چهار سناریوی مختلف مبتنی بر ترکیب‌های گوناگون متغیرهای ورودی شامل دبی، بارش، دما و تبخیر مورد ارزیابی قرار گرفتند. نتایج نشان داد که استفاده از دبی ماه گذشته همراه با بارش ماهیانه تأثیر قابل توجهی در افزایش دقت پیش‌بینی دارد، در حالی که افزودن متغیرهای دما و تبخیر نیز اثر مثبت اما با شدت کمتر بر عملکرد مدل‌ها ایجاد می‌کند. مقایسه روش‌های مختلف نشان داد که ماشین بردار پشتیبان به دلیل توانایی در شناسایی روابط غیرخطی پیچیده و مقاومت در برابر بیش‌برازش، عملکرد بهتری نسبت به سایر روش‌ها ارائه می‌دهد. همچنین تحلیل سناریوها بیانگر آن است که دبی ماه گذشته نسبت به دبی دو ماه گذشته نقش مؤثرتری در بهبود دقت مدل‌ها دارد و در میان ایستگاه‌های مورد بررسی، بهترین نتایج مربوط به ایستگاه کاسین بوده است. این پژوهش بر اهمیت انتخاب صحیح متغیرهای ورودی و بهره‌گیری از روش‌های یادگیری ماشین در بهبود دقت پیش‌بینی رواناب و مدیریت بهینه منابع آب تأکید می‌کند | ||
| کلیدواژه‌ها | ||
| مدل‌سازی؛ ماشین بردار پشتیبان؛ الگوریتم کرم‌شب‌تاب؛ برنامه‌ریزی بیان ژن | ||
|
آمار تعداد مشاهده مقاله: 29 |
||