نسرین میرزایی؛ امیرپویا صراف
چکیده
پیشبینی آبدهی رودخانه در حوزههای آبخیز از جایگاه ویژهای در مدیریت و برنامهریزی منابع آب بهمنظور طراحی تأسیسات آبی، آبگیری از رودخانهها، مدیریت مصرف و مواردی از این قبیل برخوردار است. در پژوهش حاضر، عملکرد برخی از مدلهای تلفیق داده شامل میانگینگیری ساده، میانگینگیری وزندار و مدل شبکه عصبی مصنوعی تلفیقی ...
بیشتر
پیشبینی آبدهی رودخانه در حوزههای آبخیز از جایگاه ویژهای در مدیریت و برنامهریزی منابع آب بهمنظور طراحی تأسیسات آبی، آبگیری از رودخانهها، مدیریت مصرف و مواردی از این قبیل برخوردار است. در پژوهش حاضر، عملکرد برخی از مدلهای تلفیق داده شامل میانگینگیری ساده، میانگینگیری وزندار و مدل شبکه عصبی مصنوعی تلفیقی در مدلسازی آبدهی ماهانه مورد ارزیابی و مقایسه قرار گرفته است. به همین منظور، ابتدا با استفاده از مدلهای شبکه عصبی مصنوعی (ANN)، سامانه استنتاج عصبی-فازی تطبیقی (ANFIS)، مدل آریما (ARIMA) و مدل رگرسیون بردار پشتیبان (SVR) بهعنوان مدلهای منفرد، پیشبینی آبدهی ماهانه در حوزه آبخیز بالادست سد جیرفت مورد بررسی قرار گرفت. سپس، مدلهای منفرد با استفاده از متغیرهای پیشبینی کننده منتخب، آموزش و صحتسنجی شده، نتایج آنها برای استفاده در فرایند تلفیق انتخاب شد. همچنین، از سیگنالهای بزرگ مقیاس اقلیمی شامل NAO، ENSO و PDO در پیشبینیهای هیدرولوژیک جریان رودخانه استفاده شده، عملکرد مدلهای منفرد و تلفیقی در دو حالت با در نظر گرفتن این سیگنالها و بدون در نظر گرفتن آنها، بر اساس ارزیابی سه معیاره نش-ساتکلیف (NSE)، ضریب تبیین (R2) و میانگین مربعات خطا (MSE) مورد مقایسه قرار گرفته است. نتایج حاصل از این پژوهش حاکی از آن بود که رویکرد تلفیق داده دقت پیشبینیها را تا حد قابل ملاحظهای افزایش میدهد. علاوه بر این، مشخص شد که سیگنالهای بزرگ مقیاس اقلیمی منجر به بهبود نتایج خصوصاً در دوره تست شده است. بهعنوان مثال، نتایج حاصل از مدل تلفیقی ANN به همراه سیگنالهای بزرگ مقیاس اقلیمی نشان میدهد که این مدل بهترین عملکرد را در میان مدلهای تلفیق داده دارا میباشد. همچنین، معیار NSE نسبت به مدل تلفیقی ANN بدون سیگنالهای بزرگ مقیاس در دوره آموزش 0.04 بهبود یافته، خطای MSE به میزان 0.001 کاهش پیدا کرده است.
سعید افخمی فر؛ امیرپویا صراف
چکیده
امروزه با توجه به اهمیت بالای مدیریت پایدار آبهای زیرزمینی، برای بررسی و ارزیابی منابع آب از مدلسازی و پیشبینی تراز آبهای زیرزمینی (GWL) استفاده میشود. هدف از این پژوهش، ارزیابی عملکرد دو مدل ماشین یادگیری بیشینه (ELM) و شبکه عصبی مصنوعی (ANN) و همچنین، تلفیق آن دو مدل با الگوریتم تبدیل موجک (W-ELM و W-) است که در نهایت برای بالا ...
بیشتر
امروزه با توجه به اهمیت بالای مدیریت پایدار آبهای زیرزمینی، برای بررسی و ارزیابی منابع آب از مدلسازی و پیشبینی تراز آبهای زیرزمینی (GWL) استفاده میشود. هدف از این پژوهش، ارزیابی عملکرد دو مدل ماشین یادگیری بیشینه (ELM) و شبکه عصبی مصنوعی (ANN) و همچنین، تلفیق آن دو مدل با الگوریتم تبدیل موجک (W-ELM و W-) است که در نهایت برای بالا بردن قدرت پیشبینی و بهینهکردن وزنهای ورودی (وزنهای بین لایه ورودی و پنهان) مدلها، از الگوریتم بهینهساز ازدحام ذرات کوانتومی (QPSO) استفاده شده است. همچنین، در این مطالعه، از دادههای تراز آب زیرزمینی چاههای مشاهدهای (GWL)، میزان بارش (P) و همچنین، دمای متوسط (T) مربوط به حوضه دشت ارومیه با سری زمانی 36 ساله (1360–1396) که در مقیاس ماهانه جمعآوری شده، استفاده شده و بهمنظور بررسی عملکرد مدلها از سه معیار ضریب همبستگی (R)، جذر میانگین مربع خطا (RMSE) و میانگین قدر مطلق خطا (MAE) استفاده شده است. در این راستا، از 80 درصد دادهها (مهر 1360 تا شهریور 1389) بهمنظور آموزش مدلها و از 20 درصد دادهها (مهر 1389 تا شهریور 1396) بهمنظور بخش آزمون استفاده شده است. بر اساس نتایج پژوهش حاضر، مدل هیبرید تبدیل موجک-ماشین یادگیری بیشینه-بهینهساز ازدحام ذرات کوانتومی (W-ELM-QPSO) با داشتن ضریب همبستگی (R) بهترتیب 0.991، 0.983 و 0.975 برای دورههای یک، دو و سه ماهه در بخش آزمون، عملکرد بهتری نسبت به دیگر مدلها داشته، همچنین، این مدل علاوهبر قدرت پیشبینی، از لحاظ سرعت آموزش و آزمون نیز نسبت به مدلهای دیگر از سرعت بالایی برخوردار است.
