آمار

تعداد نشریات26
تعداد شماره‌ها249
تعداد مقالات2,170
تعداد مشاهده مقاله3,514,372
تعداد دریافت فایل اصل مقاله2,327,070
محمدی, مجید, اللهویردی پور, پویا. (1402). تحلیل عدم قطعیت مدل‌های شبکۀ عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در پیش‌بینی جریان ماهانۀ رودخانه (مطالعۀ موردی: رودخانۀ قزل‌اوزن). سامانه مدیریت نشریات علمی, (), -. doi: 10.22098/mmws.2023.12702.1267
مجید محمدی; پویا اللهویردی پور. "تحلیل عدم قطعیت مدل‌های شبکۀ عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در پیش‌بینی جریان ماهانۀ رودخانه (مطالعۀ موردی: رودخانۀ قزل‌اوزن)". سامانه مدیریت نشریات علمی, , , 1402, -. doi: 10.22098/mmws.2023.12702.1267
محمدی, مجید, اللهویردی پور, پویا. (1402). 'تحلیل عدم قطعیت مدل‌های شبکۀ عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در پیش‌بینی جریان ماهانۀ رودخانه (مطالعۀ موردی: رودخانۀ قزل‌اوزن)', سامانه مدیریت نشریات علمی, (), pp. -. doi: 10.22098/mmws.2023.12702.1267
محمدی, مجید, اللهویردی پور, پویا. تحلیل عدم قطعیت مدل‌های شبکۀ عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در پیش‌بینی جریان ماهانۀ رودخانه (مطالعۀ موردی: رودخانۀ قزل‌اوزن). سامانه مدیریت نشریات علمی, 1402; (): -. doi: 10.22098/mmws.2023.12702.1267

تحلیل عدم قطعیت مدل‌های شبکۀ عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در پیش‌بینی جریان ماهانۀ رودخانه (مطالعۀ موردی: رودخانۀ قزل‌اوزن)

مدل سازی و مدیریت آب و خاک
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 16 اردیبهشت 1402
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.22098/mmws.2023.12702.1267
نویسندگان
مجید محمدی1؛ پویا اللهویردی پور* 2
1کارشناس منابع آب، اداره امور منابع آب، زنجان، ایران.
2گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران.
چکیده
در یک دهۀ اخیر، روش‌های هوش مصنوعی بیشترین کاربرد را در شبیه‌سازی فرایندهای مختلف از جمله فرایندهای هیدرولوژیکی داشته‌اند، لیکن نتایج این روش‌ها همواره با عدم قطعیت همراه بوده‌اند. یکی از راه‌حل‌هایی که می‌تواند تا حدودی این مشکل را حل نماید، تحلیل عدم قطعیت پیش‌بینی‌های صورت گرفته می‌باشد. در مطالعۀ حاضر عدم قطعیت نتایج مدل‌های شبکۀ عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در پیش‌بینی جریان ماهانۀ رودخانه با استفاده ازشبیه‌سازی مونت کارلو و مقادیر 95PPU و d-factor مورد ارزیابی قرار گرفته است. در این پژوهش از داده‌ها و سری زمانی جریان ماهانۀ رودخانۀ قزل‌اوزن در یک دورۀ 39 ساله از سال 1355 تا 1393 برای ایستگاه آب‌سنجی بیانلو-یساول استفاده شده است که 75 درصد داده‌ها برای آموزش و 25 درصد برای تست مدل‌ها به کار رفته است. در این مدل‌ها به‌منظور تخمین جریان رودخانه، شش ترکیب مختلف ورودی شامل جریان یک، دو و سه ماه قبل و شماره ماه‌های جریان، مورد استفاده قرار گرفت. برای ارزیابی مدل‌ها از معیارهای آماری ضریب همبستگی (R) و ریشۀ میانگین مربعات خطا (RMSE) استفاده شد. نتایج نشان داد که اگرچه مدل ANN با مقادیر R مساوی با 757/0 و RMSE مساوی با 45/9 دارای عملکرد خوبی نسبت به مدل SVM با مقادیر R مساوی با 729/0 و RMSE مساوی با 946/10 در پیش‌بینی جریان رودخانه است، اما نتایج این مدل با عدم قطعیت زیادی همراه است. مقایسۀ تحلیل عدم قطعیت نتایج مدل‌ها نشان داد که مدل SVM با مقادیر d-factor و 95PPU به ترتیب برابر با 155/0 و 241/17 نسبت به مدل ANN با مقادیر d-factor و 95PPU به ترتیب برابر با 993/0 و 470/85 از عدم قطعیت کمتری برخوردار است و از این لحاظ بر مدل ANN برتری دارد. مطابق نتایج این پژوهش باید با درنظر گرفتن این نکته که مدل‌های پیشرفتۀ هوش مصنوعی نیز دارای عدم قطعیت می‌باشند، نسبت به کاربرد این روش‌ها در زمینه‌های مدیریت ریسک و برنامه‌ریزی‌های آینده اقدام کرد تا بهترین عملکرد را بدست آورد.
کلیدواژه‌ها
پیش‌بینی جریان؛ رودخانۀ قزل‌اوزن؛ شبکۀ عصبی مصنوعی؛ عدم قطعیت؛ ماشین بردار پشتیبان
آمار
تعداد مشاهده مقاله: 201


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب