تعداد نشریات | 43 |
تعداد شمارهها | 1,272 |
تعداد مقالات | 15,720 |
تعداد مشاهده مقاله | 51,823,008 |
تعداد دریافت فایل اصل مقاله | 14,663,533 |
پیشبینی چند ایستگاهه نیترات با بهرهگیری از ابزار هوش مصنوعی و محاسبات نرم | ||
نشریه مهندسی عمران و محیط زیست دانشگاه تبریز | ||
مقاله 3، دوره 47.4، شماره 89، اسفند 1396، صفحه 27-36 اصل مقاله (1.41 M) | ||
نوع مقاله: مقاله کامل پژوهشی | ||
نویسندگان | ||
الناز شرقی؛ وحید نورانی* ؛ غلامرضا عندلیب | ||
دانشکده مهندسی عمران، دانشگاه تبریز | ||
چکیده | ||
در این مقاله مدلسازی چند ایستگاهه رواناب- نیترات در حوضه آبریز Little River Watershed (LRW)، با استفاده از تبدیل موجک و نقشههای خود سازمانده و مدلهای هوش مصنوعی انجام گردید. به طوری که سریهای زمانی رواناب- نیترات توسط تبدیل موجک تجزیه گشته و سپس زیرسریهای تجزیه شده توسط نقشههای خود سازمانده خوشهبندی گردید. در ادامه، معیار استخراج ویژگی (اطلاعات مشترک) برای انتخاب نماینده از هر خوشه جهت ورود به مدلهای هوش مصنوعی شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیشبینی نیترات خروجی حوضه آبریز LRW به کار گرفته شد. مدلسازی چند ایستگاهه نیترات بر اساس خاصیت فصلی بودن انجام شده و با مدلسازی چند ایستگاهه بر اساس خاصیت مارکف مقایسه گردید. نتایج نشان داد که مدلهای هوش مصنوعی ترکیب شده با تبدیل موجک، نقشههای خود سازمانده و اطلاعات مشترک توانایی پیشبینی نیترات چند ایستگاهه را نسبت به مدلهای هوش مصنوعی که از خاصیت مارکف بهره میبرند تا حد قابل قبولی بهبود میبخشد. به طور کلی، استفاده از خاصیت فصلیبودن پدیدهها به همراه کاهش ابعاد ورودیها، میتواند به مدلهای هوش مصنوعی در جهت استفاده از اطلاعات خالص دادههای مشاهداتی کمک کند. | ||
کلیدواژهها | ||
اطلاعات مشترک؛ تبدیل موجک؛ نقشههای خودسازمانده؛ هوش مصنوعی؛ حوضه آبریز LRW | ||
مراجع | ||
ریاحیمدوار ح، ایوبزاده س، "تخمین ضریب پراکندگی طولی آلـــودگی با استفاده از سیستـــم استنتاج فازی- عصبـی انطباقی"، نشریه آب و فاضلاب، 1387، 67، 34-46. علیائی ا، بانژاد ح، صمدی م، رحمانی ع، ساقی م، "ارزیابی کارایی شبکه عصبی مصنوعی در پیش بینی شاخصهای کیفی (BOD و DO) آب رودخانه دره مرادبیک همدان"، مجله دانش آب و خاک، 1389، 20، 199-210. میرزائی م، ریاحی بختیاری ع، سلمان ماهینی ع، غلامعلیفرد م، "مدلسازی ارتباط کیفیت آبهای سطحی و سنجههای سیمای سرزمین با استفاده از سیستم استنتاج عصبی- فازی (مطالعه موردی: استان مازندران)"، مجله آب و فاضلاب، 1395، 27، 81-92. Arabgol R, Sartaj M, Asghari K, “Predicting nitrate concentration and its spatial distribution in groundwater resources using support vector machines (SVMs) model”, Environmental Modeling and Assessment, 2016, 21, 71-82. Bosch DD, Sullivan DG, Sheridan JM, “Hydrologic Impacts of land-use Changes in Coastal Plain Watersheds”, Transactions of the ASABE, 2006, 49 (2), 423-432. Chang, FJ, Chang LC, Huang CW, Kao IF, “Prediction of monthly regional groundwater levels through hybrid soft-computing techniques”, Journal of Hydrology, 2016, 541, 965-976. Dixon B, “A case study using support vector machines, neural networks and logistic regression in a GIS to identify wells contaminated with nitrate-N”, Hydrogeology Journal, 2009, 17 , 1507-1520. Kim T, Valdes JB, “Nonlinear model for drought forecasting based on a conjunction of wavelet transforms and neural networks”, Journal of Hydrologic Engineering, 2003, 6, 319-328. Kohonen T, “Self-Organizing Maps”, Springer-Verlag, Berlin, 1997. Mallat SG, “A Wavelet Tour of Signal Processing”, second ed. Academic Press, San Diego, 1998. Nourani V, Andalib G, “Daily and monthly suspended sediment load predictions using wavelet based artificial intelligence approaches”, Journal of Mountain Science, 2015, 12(1), 85-100. Nourani V, Baghanam AH, Adamowski J, Kisi O, “Applications of hybrid Wavelet–Artificial Intelligence models in hydrology: A review”, Journal of Hydrology, 2014, 514, 358-377. Nourani V, Khanghah TR, Baghanam AH, 2015. “Application of entropy concept for input selection of Wavelet-ANN based rainfall-runoff modeling”, Journal of Environmental Informatics, 2015, 26, 52-70. Nourani V, Komasi M, “A geomorphology-based ANFIS model for multi-station modeling of rainfall–runoff process”, Journal of Hydrology, 2013, 490, 41-55. Nourani V, Parhizkar M, “Conjunction of SOM-based feature extraction method and hybrid wavelet-ANN approach for rainfall–runoff modeling”, Journal of Hydroinformatics, 2013, 15, 829-848. Ravansalar M, Rajaee T, Zounemat-Kermani M, “A wavelet-linear genetic programming model for sodium (Na+) concentration forecasting in rivers”, Journal of Hydrology, 2015, 537, 398-407. Sarkar A, Pandey P, “River water quality modelling using artificial neural network technique”, Aquatic Procedia, 2015, 4, 1070-1077. Shannon CE, “A mathematical theory of communications I and II. Bell”, System Technical Journal, 1948, 27, 379-443. Suykens JAK, Vandewalle J, “Least square support vector machine classifiers”, Neural Processing Letters, 1999, 9, 293-300. Turan ME, Yurdusev MA, “River flow estimation from upstream flow records by artificial intelligence methods”, Journal of Hydrology, 2009, 369, 71-77. Yang HH, Vuuren SV, Sharma S, Hermansky H, “Relevance of time-frequency features for phonetic and speaker-channel classification”, Speech Communication, 2000, 31, 35-50.
| ||
آمار تعداد مشاهده مقاله: 580 تعداد دریافت فایل اصل مقاله: 693 |