
تعداد نشریات | 26 |
تعداد شمارهها | 399 |
تعداد مقالات | 3,523 |
تعداد مشاهده مقاله | 5,417,156 |
تعداد دریافت فایل اصل مقاله | 3,702,975 |
مدل هیبریدی SNIP-ANN : رویکردی نوین جهت پیشبینی دقیق دبی جریان رودخانه | ||
مدل سازی و مدیریت آب و خاک | ||
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 05 خرداد 1404 | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22098/mmws.2025.17235.1585 | ||
نویسندگان | ||
فاطمه وثوقی1؛ محمدعلی قربانی* 1؛ صابره دربندی2 | ||
1گروه علوم و مهندسی آب-دانشکده کشاورزی-دانشگاه تبریز-تبریز-ایران | ||
2گروه علوم و مهندسی آب-دانشکده کشاورزی-دانشگاه تبریز- تبریز-ایران | ||
چکیده | ||
پیشبینی جریان رودخانه برای تأمین نیازهای آبی اکوسیستمهای آبی و همچنین برنامهریزی و مدیریت بهینه منابع آب، بهویژه در شرایط خشکسالی، بسیار حیاتی است. این پیشبینیها به حفظ تعادل بومشناختی رودخانهها کمک میکند. مدلهای پیشبینی دقیق برای ارزیابی الگوهای جریان آینده و اجرای راهبردهای مدیریتی مؤثر ضروری هستند. در این مطالعه، از یک مدل ترکیبی شامل الگوریتم حساس تکراری غیرخطی پیک (SNIP) به همراه شبکههای عصبی مصنوعی (ANN) و همچنین مدلهای مستقل ANN برای پیشبینی جریان رودخانههای کلمبیا (۲۰۰۰ تا ۲۰۲۲) و نیجر (۲۰۰۰ تا ۲۰۲۳) استفاده شده است. یکی از مزایای استفاده از الگوریتم SNIP در کنار ANN، کاهش پیچیدگی مدل در عین بهبود کارایی آن است. همچنین، ترکیب تحلیل سریهای زمانی با تکنیکهای یادگیری ماشین، پیشرفتی چشمگیر در زمینه پیشبینی جریان رودخانه محسوب میشود. این رویکرد نهتنها دقت پیشبینیها را افزایش میدهد، بلکه توانایی مدیریت و واکنش مؤثر به نوسانات دبی رودخانه را نیز تقویت میکند. تحلیل کمی نتایج نشان داد که مدل ترکیبی SNIP-ANN نسبت به سایر مدلها عملکرد بهتری دارد. برای رودخانه کلمبیا، مدل ANN ضریب همبستگی R=0/3249 و مقدار RMSE=1325/99 را بهدست آورد، در حالیکه مدل ترکیبیSNIP-ANN با بهبود قابل توجه، به R=0/7503 و RMSE=865/23 دست یافت و کاهش RMSE به میزان ۷۵/۳۴ درصد را نشان داد. بهطور مشابه، برای رودخانه نیجر، مدل ANN به R=0/801 و RMSE=487/883 رسید، در حالیکه مدل ترکیبی SNIP-ANN نتایج را تا R=0/9286 و RMSE=231/497 بهبود داد که کاهش RMSE به میزان 52/56 درصد را نشان میدهد. این نتایج بیانگر آن است که استفاده از مدل ترکیبی SNIP-ANN میتواند دقت پیشبینی را نسبت به مدلهای مستقل ANN بهطور قابلتوجهی افزایش دهد. این مزیت، قابلیت اطمینان و اثربخشی این رویکرد را اثبات میکند. با بهرهگیری از روشهای ترکیبی، میتوان به پیشبینیهای دقیقتری نهتنها برای رودخانههای منتخب، بلکه برای مناطق دیگر نیز دست یافت و پتانسیل بالای این تکنیک را برای کاربردهای گستردهتر نشان داد. | ||
کلیدواژهها | ||
الگوریتم SNIP؛ شبکه عصبی مصنوعی (ANN)؛ جریان رودخانه؛ پیشبینی | ||
آمار تعداد مشاهده مقاله: 36 |