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.