ورود
مقالات فارسیISIکنفرانسهاژورنالها

بررسی عملکرد مدل های SVR و GEP در پیش بینی نوسانات ماهانه تراز آب دریاچه ارومیه

محل انتشار: نشریه آبیاری و زهکشی ایران، دوره: 10، شماره: 2
سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 181

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/1208807

شناسه ملی سند علمی:

JR_IDJ-10-2_007

تاریخ نمایه سازی: 23 اردیبهشت 1400

چکیده مقاله:

پیش بینی نوسانات سطح آب دریاچه ها از جمله موارد مهم در مدیریت و برنامه ریزی منابع آب است. در سال های اخیر کاهش شدید تراز آب دریاچه ارومیه اثرات زیست محیطی مخربی را در این منطقه داشته است. در این تحقیق عملکرد مدل های ماشین بردار پشتیبان و برنامه ریزی بیان ژن با استفاده از شش الگوی متفاوت در خلال سال های ۱۳۸۸- ۱۳۵۵ برای پیش بینی تراز آب دریاچه ارومیه بررسی شد، تا بهترین الگو برای پیش بینی تراز آب دریاچه معرفی گردد. در چهار الگو از داده های تاریخی تراز و در دوالگوی دیگر از بارش، تبخیر و نشت و تراز آب استفاده شد. نتایج نشان داد که مدل برنامه ریزی بیان ژن عملکرد بهتری نسبت به مدل رگرسیون بردار پشتیبان دارد و با افزایش ورودی برای آموزش مدل عملکرد آن افزایش می یابد. هم­چنین در بهترین حالت مقدار میانگین مربعات خطا و ضریب تبیین به ترتیب برابر ۰۸/۰ متر و ۹۹/۰ برای مدل GEP، ۶۰/۰ متر و ۹۲/۰ برای مدل SVRبه دست آمد.

کلیدواژه ها:

نویسندگان

مصطفی کدخداحسینی

دانش آموخته کارشناسی ارشد مهندسی منابع آب، دانشگاه شهرکرد، شهرکرد، ایران

شایان شامحمدی

استاد گروه علوم و مهندسی آب، دانشگاه شهرکرد، شهرکرد، ایران

حامد نوذری

استادیار گروه علوم و مهندسی آب، دانشگاه بوعلی سینا، همدان، ایران

رسول میرعباسی نجف آبادی

استادیار گروه علوم و مهندسی آب، دانشگاه شهرکرد، شهرکرد، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • احمدی،ف.، رادمنش،ف و میرعباسی،ر. ۱۳۹۳. مقایسه روش های برنامه ریزی ...
  • کاوه کار،ش.، قربانی،م.ا.، افشار زاده،ا و دربندی،س. ۱۳۹۲. شبیه سازی ...
  • میرعباسی،ر.، کدخداحسینی،م.، شامحمدی،ش و نوذری،ح. ۱۳۹۳. بررسی میزان تبادل آب ...
  • صمدیان فرد،س.، حسنیا،د و ستاری،م.ت. ۱۳۹۲. پیش بینی نوسانات آب ...
  • Afiq,H., Ahmed,E., Ali,N., Othman, A., Aini, K.,Mukhlisi,H.M. ۲۰۱۳. Daily forecastingofdam ...
  • Borelli,A., De Falco,I., Della,C.A., Nicodemi,M.,Trautteur,G. ۲۰۰۶. Performance of Genetic Programming ...
  • Ghorbani,M., Khatibi,R., Aytek,A.,Makarynskyy,O. ۲۰۱۰. Sea water level forecasting using genetic ...
  • Hamel,L. ۲۰۰۹. Knowledge Discovery with Support Vector Machines. Hoboken. N.J. ...
  • Imani,M., You,R.J., Kou,C.Y. ۲۰۱۴. Forecasting Caspian Sea level changes using ...
  • Kisi,O. ۲۰۰۹. Neural networks and wavelet conjunction model for intermittent ...
  • Kisi,O., Shiri,J., Nikoofar.,B. ۲۰۱۲. Forecasting daily lake levels using artificial ...
  • Lin,G.F., Chen,G.R., Huang,P.Y. ۲۰۱۰. Effective typhoon characteristics and their effects ...
  • Lin,G.F., Chou,Y.C., Wu,M.C. ۲۰۱۳. Typhoon flood forecasting using integrated two-stage ...
  • Maity,R., Bhagwat,P.P.,Bhatnagar,A. ۲۰۱۰. Potential of support vector regression for prediction ...
  • Nourani,V., Komasi,M., Alami,M.T. ۲۰۱۲. Hybrid wavelet–genetic programming approach to optimize ...
  • Noury,M., Sedghi,H., Babazadeh,H.,Fahimi,H. ۲۰۱۴. Urmia Lake Water Level Fluctuation Hydro ...
  • Sajjad khan,M., Colibaly,P. ۲۰۰۶. Application of Support Vector Machine in ...
  • Sivapragasam,C., Maheswaran,R., Veena,V. ۲۰۰۸. Genetic programming approach for flood routing ...
  • Vapnik,V.N. ۱۹۹۸. Statistical Learning Theory. Wiley, New York ...
  • Wu,C.L., Chau,K.W. ۲۰۱۰. Data-driven models for monthly streamflow time series ...
  • Wu,J., Liu,M., Jin,L. ۲۰۱۰. Least square support vector machine ensemble ...
  • Yu,P.S., Chen,S.T., Chang,I.F. ۲۰۰۶. Support vector regression for real-time flood ...
    • نمایش کامل مراجع