کاربرد الگوریتم هیبریدی ماشین بردار پشتیبان حداقل مربعات-نهنگ (LSSVM_WOA) جهت ریز‌مقیاس‌نمایی و پیشبینی بارش تحت شرایط تغییر اقلیم (مطالعه موردی: حوضه کارون 3)
- سال انتشار: 1400
- محل انتشار: مهندسی آبیاری و آب ایران، دوره: 11، شماره: 3
- کد COI اختصاصی: JR_WATER-11-3_015
- زبان مقاله: فارسی
- تعداد مشاهده: 595
نویسندگان
کارشناسی ارشد مهندسی و مدیریت منابع آب، دانشکده مهندسی عمران، دانشگاه سمنان.
گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان
مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان، سمنان، ایران
استادیار گروه مهندسی عمران- مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان
چکیده
در پژوهش حاضر، با استفاده از روشهای یادگیری شامل الگوریتم هیبریدی ماشین بردار پشتیبان حداقل مربعات و الگوریتم بهینهسازی نهنگ (LSSVM_WOA)، K نزدیکترین همسایه (KNN) و شبکه عصبی مصنوعی (ANN) اقدام به ریزمقیاس نمایی بارش در شش ایستگاه حوزه کارون 3 پرداخته شده است. برای ریزمقیاس نمایی بارش، ابتدا روزهای سال با استفاده الگوریتمهای MARS و درخت مدل M5 به روزهای تر و خشک تقسیم میشوند. سپس، مقدار بارش برای روزهای تر با استفاده از هر یک از روشهای LSSVM_WOA، KNN و ANN تخمین زده میشود. نتایج پژوهش حاکی از برتری الگوریتم MARS نسبت به M5 میباشد. همچنین، براساس میانگین بارش شش ایستگاه الگوریتم ANN با 5/0 درصد ضریب نش بیشتر، اندکی بهتر از الگوریتم LSSVM_WOA عمل میکند. در حالی که با در نظر گرفتن میانگین انحراف معیار مقدار ضریب نش برای الگوریتم ANN تا 04/5 درصد دقیقتر از الگوریتم LSSVM_WOA است. در نهایت مقدار بارش برای افقهای 2020-2040 و 2070-2100 تحت سناریوهای مدل CanESM2 شامل RCP2.6، RCP4.5 و RCP8.5 پیشبینی شده است. نتایج حاصل از الگوریتم LSSVM_WOA حاکی از کاهش بارش نسبت به دوره پایه (1972-2001) تحت هر سه سناریو میباشد. بیشترین مقدار کاهش بارش برابر با 18 درصد و برای سناریو RCP8.5 در افق 2070-2100 محاسبه شده است. کمترین مقدار کاهش بارش (1 درصد) نیز مربوط به سناریو RCP2.6 در افق 2020-2040 میباشد. اما مقدار تغییرات بارش پیشبینی شده توسط ANN در دوره آینده نسبت به دوره پایه از 43- درصد تا 72 درصد تغییر میکند. بنابراین، جوابهای حاصل از LSSVM_WOA به دلیل عدم قطعیت کمتر، قابل اعتمادتر است.کلیدواژه ها
LSSVM_WOA, بارش, ریز‌مقیاس‌نمایی, پیشبینی, تغییر اقلیماطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.