رضا دهقانی؛ حسن ترابی؛ حجت اله یونسی؛ بابک شاهی نژاد
چکیده
برآورد دقیق آبدهی رودخانهها یکی از مهمترین موارد کلیدی در مدیریت و برنامهریزی منابع آب بهویژه اتخاذ تصمیمات صحیح در مواقع سیلاب و بروز خشکسالیها است. برای برآورد میزان آبدهی رودخانهها رویکردهای متنوعی در هیدرولوژی معرفیشده است که مدلهای هوشمند از مهمترین آنها می باشد. در این پژوهش کاربرد مدل های هیبریدی ماشین ...
بیشتر
برآورد دقیق آبدهی رودخانهها یکی از مهمترین موارد کلیدی در مدیریت و برنامهریزی منابع آب بهویژه اتخاذ تصمیمات صحیح در مواقع سیلاب و بروز خشکسالیها است. برای برآورد میزان آبدهی رودخانهها رویکردهای متنوعی در هیدرولوژی معرفیشده است که مدلهای هوشمند از مهمترین آنها می باشد. در این پژوهش کاربرد مدل های هیبریدی ماشین بردار پشتیبان_ موجک و ماشین بردار پشتیبان-بیزین به منظور برآورد دبی رودخانه های حوضه آبریز کرخه براساس آمار آبدهی روزانه ایستگاههای هیدرومتری واقع در بالادست سد کرخه طی دوره آماری(1387-1397) مورد بررسی و ارزیابی قرار گرفته است. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا برای ارزیابی و عملکرد مدلها مورد استفاده قرار گرفت. نتایج نشان داد ساختارهای ترکیبی نتایج قابل قبولی در مدلسازی دبی رودخانه ارائه می نمایند. همچنین مقایسه مدلها نشان داد مدل هیبریدی ماشین بردار پشتیبان-موجک دقت بهتری در پیش بینی جریان از خود نشان داده است. در مجموع نتایج نشان داد استفاده از مدل هیبریدی ماشین بردار پشتیبان میتواند در زمینه پیش بینی دبی روزانه مفید باشد .
مریم اسدی؛ علی فتح زاده؛ روحالله تقیزاده مهرجردی
دوره 4، شماره 10 ، خرداد 1396، ، صفحه 121-143
چکیده
تعیین بار رسوبی معلق رودخانهها یکی از پروژههای مهم مهندسی رودخانه میباشد. پیشبینی بار رسوبی معلق کمک شایانی در زمینه مدیریت منابع آبی خواهد نمود. سوال اصلی در این تحقیق بررسی نقش انواع دادههای روزانه، ماهانه و سالانه در برآورد بار رسوبی با استفاده از مدلهای مبتنی بر یادگیری ماشین است. بدین منظور از آمار بار معلق در سه مقیاس ...
بیشتر
تعیین بار رسوبی معلق رودخانهها یکی از پروژههای مهم مهندسی رودخانه میباشد. پیشبینی بار رسوبی معلق کمک شایانی در زمینه مدیریت منابع آبی خواهد نمود. سوال اصلی در این تحقیق بررسی نقش انواع دادههای روزانه، ماهانه و سالانه در برآورد بار رسوبی با استفاده از مدلهای مبتنی بر یادگیری ماشین است. بدین منظور از آمار بار معلق در سه مقیاس زمانی روزانه، ماهانه و سالانه ایستگاه هیدرومتری اوهایو واقع در ایالات متحده آمریکا در فاصله سالهای 1992 تا 2014 استفاده گردید. با هدف انتخاب مناسبترین مدل، مدلهای شبکه عصبی مصنوعی پس انتشار خطا و تابع پایهی شعاعی، رگرسیون خطی، k نزدیکترین همسایه، درخت تصمیم M5، فرآیند گوسی، ماشینبردار پشتیبان و ماشینبردار پشتیبان تکاملی اجرا و مورد ارزیابی قرار گرفتند. نتایج حاصل از این تـحقیق نشان داد که بـرای دادههای روزانه، مـدل k نزدیکترین همسایـه با 28/5RMSE=؛ برای دادههای ماهانه مدل فرآیند گوسی با 7/8RMSE= و برای دادههای سالانه مدل فرآیند گوسی با مقدار 2/7RMSE= مناسبترین مدل جهت پیشبینی بار رسوبی معلق بودهاند. همچنین مقایسه مقادیر ارزیابی مدلها حاکی از آن است که پیشبینی دادههای سالانه نسبت به ماهانه و روزانه از دقت بیشتری برخوردار هستند.