کاربرد مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم های بهینه سازی فرا ابتکاری در پیش بینی شاخص خشکسالی SPEI۱۲
- سال انتشار: 1400
- محل انتشار: فصلنامه مدیریت آب و آبیاری، دوره: 11، شماره: 2
- کد COI اختصاصی: JR_JWIM-11-2_008
- زبان مقاله: فارسی
- تعداد مشاهده: 766
نویسندگان
دانشجوی دکتری، گروه علوم و مهندسی آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
دانشیار، گروه مهندسی آب، دانشگاه زنجان، زنجان، ایران.
دانشیار، گروه مهندسی عمران، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران.
استادیار، گروه علوم و مهندسی آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
چکیده
خشکسالی یکی از مهم ترین بلایای طبیعی می باشد که در همه ی رژیم های آب و هوایی رخ می دهد. بنابراین، پیش بینی و مقابله با آن از اهمیت بالایی برخوردار است. در پژوهش حاضر از سه الگوریتم های بهینه سازی هوشمند (الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری (TLBO)، الگوریتم بهینه سازی علف های هرز (IWO)، الگوریتم ازدحام ذرات (PSO)) و الگوریتم متداول لونبرگ- مارکوات به منظور آموزش شبکه عصبی مصنوعی چند لایه، برای پیش بینی شاخص خشکسالی SPEI۱۲ یک الی سه ماه آینده در ۷۹ ایستگاه سینوپتیک کشور استفاده گردید. با توجه به تعداد زیاد ایستگاه های سینوپتیک، ایستگاه ها با توجه به سری های زمانی خشکسالی و با استفاده از روش K-means به پنج خوشه C۱ تا C۵ تقسیم شدند. نتایج با توجه به قرارگیری ایستگاه ها در خوشه ها مورد مقایسه قرار گرفتند و دقت مدل ها بر اساس آماره های RMSE) و (R۲ داده های آزمون، مورد ارزیابی قرار گرفتند. نتایج به دست آمده از این پژوهش نشان داد که در هر سه مدل پیش بینی با افزایش مقیاس زمانی پیش بینی دقت مدل ها کاهش یافته است. مقایسه بین سه الگوریتم بهینه سازی ذکر شده و الگوریتم لونبرگ- مارکوات به عنوان یک الگوریتم پرکاربرد در بهینه سازی وزن های شبکه عصبی، نشان دهنده برتری قابل توجه الگوریتم های بهینه سازی فراابتکاری است. مقایسه بین سه الگوریتم TLBO،IWO و PSO نشان داد که الگوریتم TLBO اندکی بهتر از سایر الگوریتم ها عمل می کند و نتایج دقیق تری را ارائه می کند. بهترین پیش بینی مدل های ذکر شده و بیشترین مقادیر R۲ در خوشه یک (شرق، نوار جنوب و جنوب شرقی ایران) و بیشترین مقادیر RMSE و کمترین دقت مدل ها در خوشه پنج (نوار شمالی کشور) مشاهده شد.کلیدواژه ها
الگوریتم های بهینه سازی هوشمند, خشک سالی, شاخص بارش- تبخیر و تعرق استانداردشده, یادگیری ماشیناطلاعات 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.