آمار
| تعداد نشریات | 41 |
| تعداد شماره‌ها | 1,036 |
| تعداد مقالات | 12,673 |
| تعداد مشاهده مقاله | 13,720,198 |
| تعداد دریافت فایل اصل مقاله | 11,710,089 |
پیش‌بینی فرایند بارش- رواناب با بهره‌گیری از مدل ترکیبی بهینه‌سازی تجمعی ذرات- ماشین بردار پشتیبان موجکی (مطالعه موردی: دشت سیلاخور) | ||
| دانش آب و خاک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 01 مهر 1402 | ||
| شناسه دیجیتال (DOI): 10.22034/ws.2021.37728.2314 | ||
| نویسندگان | ||
مهدی کماسی  1؛ سروش شرقی2
| ||
| 1گروه عمران، دانشگاه آیت الله بروجردی، بروجرد، ایران | ||
| 2دانشجوی دکتری، مهندسی و مدیریت منابع آب، دانشکده عمران، دانشگاه تهران | ||
| چکیده | ||
| چکیده مدل‌سازی و پیش‌بینی فرآیند بارش-رواناب نقش مهمی را در مدیریت منابع آب، برنامه‌ریزی‌های شهری، عملکرد مخازن سد و... ایفا می‌کند. ماشین بردار پشتیبان (SVM) به عنوان یکی از مدل‌های نوین هوش مصنوعی، از قابلیت و انعطاف‌پذیری بالایی در پیش‌بینی داده‌های هیدرولوژیکی برخوردار است. در این پژوهش ایده‌ی مدل‌سازی فرآیند بارش-رواناب توسط مدل ترکیبی الگوریتم بهینه‌سازی تجمعی ذرات و ماشین بردار پشتیبان موجکی (PSO-WT-SVM) مطرح گردیده است. در ساختار الگوریتم SVM پارامترهای ثابتی وجود دارد که می‌بایست توسط کاربر تعیین گردند بطوریکه انتخاب نامناسب این پارامترها موجب کاهش قابل توجه کارایی مدل می‌گردد. جهت حل این مشکل از الگوریتم بهینه‌سازی تجمعی ذرات (PSO) برای یافتن مقادیر بهینه‌ی پارامترهای مدل SVM استفاده شده و مدل ترکیبی PSO-SVM معرفی می‌شود. در گام بعدی، با انجام عمل پیش‌پردازش بر روی داده‌ها توسط تبدیل موجک (WT) مدل PSO-WT-SVM مطرح می‌گردد. نهایتا سری زمانی روزانه بارش-رواناب دشت سیلاخور واقع در استان لرستان توسط مدل ساده SVM و مدل‌های ترکیبی PSO-SVM و PSO-WT-SVM مدل‌سازی و پیش‌بینی شده و دقت مدل‌سازی توسط دو معیار ضریب تبیین و میانگین مربع خطاها (RMSE) مورد سنجش قرار می‌گیرد. نتایج حاصل از این مدل‌سازی در مرحله صحت‌سنجی نشان می‌دهد که مدل ترکیبی PSO-SVM و PSO-WT-SVM با ضریب تبیین به ترتیب 72/0 و 89/0 جایگزین بسیار مناسبی نسبت به مدل SVM با ضریب تبیین 57/0 برای پیش‌بینی سری زمانی بارش-رواناب دشت سیلاخور می‌باشند. | ||
| کلیدواژه‌ها | ||
| آنالیز موجک؛ الگوریتم بهینه‌سازی؛ ازدحام ذرات (PSO)؛ مدل ماشین بردار پشتیبان (SVM)؛ مدل ترکیبی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 11 |
||
