تعداد نشریات | 43 |
تعداد شمارهها | 1,275 |
تعداد مقالات | 15,744 |
تعداد مشاهده مقاله | 51,862,071 |
تعداد دریافت فایل اصل مقاله | 14,687,916 |
ارزیابی مدل های هیبریدی فراکاوشی در شبیه سازی جریان رودخانه ها :مطالعه موردی: رودخانه کشکان لرستان | ||
هیدروژئومورفولوژی | ||
دوره 8، شماره 29، اسفند 1400، صفحه 86-69 اصل مقاله (1.66 M) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/hyd.2021.48053.1605 | ||
نویسندگان | ||
حجت اله یونسی* 1؛ احمد گودرزی2؛ مسعود شاکرمی3 | ||
1استادیار گروه مهندسی آب | ||
2دانشجوی دکترای سازه های آبی ، دانشگاه لرستان | ||
3استادیار گروه مهندسی آب، دانشکدهی کشاورزی، دانشگاه لرستان | ||
چکیده | ||
امروزه مدلهای هیبریدی هوش مصنوعی به عنوان یک روش مناسب برای شبیهسازی پدیدههای هیدرولوژیکی از جمله برآورد کمی جریان رودخانهها مطرح است. بدین منظور جهت برآورد میزان آبدهی رودخانهها رویکردهای متنوعی در هیدرولوژی وجود دارد که مدلهای هوش مصنوعی از مهمترین آنها میباشد. بنابراین در این پژوهش عملکرد مدلهای رگرسیون بردار پشتیبان_ موجک، رگرسیون بردار پشتیبان_گرگ خاکستری و رگرسیون بردار پشتیبان_خفاش جهت شبیهسازی دبی رودخانه کشکان واقع در استان لرستان طی دورهی آماری 1399-1389 در مقیاس زمانی روزانهی مورد تجزیه و تحلیل قرار گرفت. معیارهای ضریب همبستگی، ریشهی میانگین مربعات خطا و میانگین قدر مطلق خطا و بایاس برای ارزیابی و عملکرد مدلها انتخاب شد. نتایج نشان داد الگوهای ترکیبی نتایج قابل قبولی در شبیهسازی دبی رودخانه دارند. مقایسهی مدلها نیز نشان داد مدل رگرسیون بردار پشتیبان-موجک در مرحلهی صحتسنجی مقادیر 960/0R2=، 045/0RMSE=، 024/0MAE =، 968/0NS= و001/0BIAS= در پیشبینی جریان روزانهی رودخانه از خود نشان داده است. در مجموع نتایج نشان داد استفاده از مدل هیبریدی رگرسیون بردار پشتیبان-موجک میتواند در زمینهی پیشبینی دبی روزانه مفید باشد. | ||
کلیدواژهها | ||
دبی رودخانه؛ شبیه سازی؛ مدل هیبریدی؛ کشکان-استان لرستان | ||
سایر فایل های مرتبط با مقاله
|
||
مراجع | ||
Adnan, R., Liang, Z., Heddam, S., Kermani, M., Kisi, O., Li, B. (2019). Least square support vector machine and multivariate adaptive regression splines for streamflow prediction in mountainous basin using hydro-meteorological data as inputs. Journal of Hydrology, 19(4): 432-448. Alizadeh, F., Gharamaleki, A., Jalilzadeh, M., Akhoundzadeh, A. (2020). Prediction of river stage-discharge process based on a conceptual model using EEMD-WT-LSSVM. Approach Water Resources, 47: 41-53. Amuda, A., Brest, J., Mezura-Montes, E. (2013). Structured Population Size Reduction Differential Evolution with Multiple Mutation Strategies on CEC 2013 real parameter optimization. In Proceedings of the IEEE Congress on Evolutionary Computation, Cancun, Mexico, 1925–1931. Babaali, H., Dehghani, R. (2017). The Prediction of the Flood Peak Discharge Using a Wavelet Neural Network. Journal of Hydrogeomorphology, 4(11): 149-168. (In Persian). Basak, D., Pal, S., and Patranabis, D.C. (2007). Support vector regression. Neural Inf Process, 11(2): 203-225. Dehghani, R., Torabi, H. (2021). Applying hybrid artificial algorithms to the estimation of river flow: a case study of Karkheh catchment area. Arabian Journal of Geosciences, 14: 768-780 Dehghani, R., Torabi, H., Younesi, H., Shahinejad, B. (2020). Application of Hybrid Support Vector machine models in Predicting River Flow Karkhe basin. Journal of Hydrogeomorphology, 7(22): 155-175. (In Persian). Dehghani, R., Younesi, H., Torabi Poudeh, H. (2016). Comparing the performance of Support Vector Machines, Gene Expression Programming and Bayesian networks in predicting river flow (Case study: Kashkan River), Journal of Soil and Water Conservation Research, 24(4):161-177. (in Persian). Ghorbani, M.A., Deo, R., Karimi, V., Yassen, Z.M., Terzi, O. (2018). Implementation of a hybrid MLP-FFA model for water level prediction of Lake Egirdir, Turkey, Stochastic, Environmental Research and Risk Assessment, 32(6), 1683-1697. Ghorbani, M.A., Khatibi, R., Karimi, V., Yaseen, Z.M., Zounemat-Kermani,M. (2018). Learning from multiple models using artificial intelligence to improve model prediction accuracies: Application to River Flows, Water Resour Management, 32(13): 4201-4215. Hamel, L. (2009). Knowledge discovery with support vector Machines, Hoboken, N.J. John Wiley. Kisi, O., Karahan, M., and Sen, Z. (2006). River suspended sediment modeling using fuzzy logic approach, Hydrology of Process, 20(2): 4351-4362. Misra, D., Oommen, T., Agarwa, A., Mishra, S.K., and Thompson, A.M. (2009). Application and analysis of support vector machine based simulation for runoff and sediment yield, Biosyst Eng, 103(3): 527–535. Nagy, H., Watanabe, K., and Hirano, M. (2002). Prediction of sediment load concentration in rivers using artificial neural network model, Journal of Hydraulics Engineering, 128(3): 558-559. Ostu, N. (1979). A Threshold Selection Method from Gray-Level Histograms [J]. IEEE Transactions on Systems Man and Cybernetics, 9 (1): 62-66. Salehi, M., Radmanesh, F., Zarei, H., Mansouri, B., Solgi, A. (2016). A combined Time Series – Wavelet Model for Prediction of Ground Water Level (Case Study: Firuzabad Plain), Irrigation Science and Engineering, 41(4): 1-16. (in Persian) Shin, S., Kyung, D., Lee, S., Taik & Kim, J., and Hyun, J. (2005). An application of support vector machines in bankruptcy prediction model, Expert Systems with Applications, 28(4); 127-135. Vapnik, V., and Chervonenkis, A. (1991). The necessary and sufficient conditions for consistency in the empirical risk minimization method, Pattern Recognition and Image Analysis, 1(3): 283-305. Vapnik, V.N. (1995). The Nature of Statistical Learning Theory. Springer, New York Vapnik, V.N. (1998). Statistical learning theory. Wiley, New York. Wang, D., Safavi, A.A., and Romagnoli, J.A. (2000). Wavelet-based adaptive robust M-estimator for non-linear system identification, AIChE Journal, 46(4): 1607-1615. Yoon, H., Jun, S.C., Hyun, Y., Bae, G.O., and Lee, K.K. (2011). A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer, Journal of Hydrol, 396(4): 128–138.
| ||
آمار تعداد مشاهده مقاله: 404 تعداد دریافت فایل اصل مقاله: 254 |