تعداد نشریات | 26 |
تعداد شمارهها | 326 |
تعداد مقالات | 2,803 |
تعداد مشاهده مقاله | 4,228,547 |
تعداد دریافت فایل اصل مقاله | 2,881,773 |
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 | ||
مقاله 24، دوره 4، شماره 2، خرداد 1403، صفحه 311-326 اصل مقاله (1.68 M) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22098/mmws.2023.12702.1267 | ||
نویسندگان | ||
مجید محمدی1؛ پویا اللهویردی پور* 2 | ||
1کارشناس، شرکت سهامی آب منطقهای زنجان، زنجان، ایران | ||
2دانشجوی کارشناسی ارشد، گروه مهندسی آب، دانشکدۀ کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
چکیده | ||
در یک دهۀ اخیر، روشهای هوش مصنوعی بیشترین کاربرد را در شبیهسازی فرآیندهای مختلف از جمله فرآیندهای هیدرولوژیکی داشتهاند، اما 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 است. در مطالعۀ حاضر عدمقطعیت نتایج مدلهای شبکۀ عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در پیشبینی جریان ماهانۀ رودخانه با استفاده از شبیهسازی 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 آزمون مدلها بهکار رفته است. در این مدلها بهمنظور تخمین جریان رودخانه، شش ترکیب مختلف ورودی شامل جریان یک، دو و سه ماه قبل و شمارۀ 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 اگر چه 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 بهترتیب برابر با 155/0 و 241/17 نسبت به مدل ANN با مقادیر d-factor و 95PPU بهترتیب 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 در نظر گرفتن این نکته که مدلهای پیشرفتۀ هوش مصنوعی نیز دارای عدم قطعیت هستند، نسبت به کاربرد این روشها در زمینههای مدیریت ریسک و برنامهریزیهای آینده اقدام کرد تا بهترین عملکرد را بهدست آورد. | ||
کلیدواژهها | ||
پیشبینی جریان؛ رودخانۀ قزلاوزن؛ شبکۀ عصبی مصنوعی؛ عدم قطعیت؛ ماشین بردار پشتیبان | ||
مراجع | ||
| ||
آمار تعداد مشاهده مقاله: 494 تعداد دریافت فایل اصل مقاله: 126 |