مقایسه عملکرد روش های هوش مصنوعی ANN و SVM در مدل سازی فرایند بارش – رواناب (مطالعه موردی: حوضه آبخیز کارون شمالی)

  • سال انتشار: 1400
  • محل انتشار: فصلنامه علوم آب و خاک، دوره: 25، شماره: 2
  • کد COI اختصاصی: JR_JWSS-25-2_006
  • زبان مقاله: فارسی
  • تعداد مشاهده: 560
دانلود فایل این مقاله

نویسندگان

سیدحسین روشان

۱. Watershed Management Engineering, Sari Agricultural Sciences and Natural Resources University. Mazandaran, Iran.

کاکا شاهدی

۱. Watershed Management Engineering, Sari Agricultural Sciences and Natural Resources University. Mazandaran, Iran.

محمود حبیب نژاد روشن

۱. Watershed Management Engineering, Sari Agricultural Sciences and Natural Resources University. Mazandaran, Iran.

J. Chormanski

۲. Faculty of Civil and Environmental Engineering, Warsaw University of Life Sciences, Warsaw, Poland.

چکیده

شبیه سازی فرایند بارش- رواناب در حوضه آبخیز از نقطه نظر درک بهتر مسائل هیدرولوژیک، مدیریت منابع آب، مهندسی رودخانه، سازه های کنترل سیل و ذخیره سیلاب اهمیت ویژه ای دارد. در این تحقیق، به منظور شبیه سازی فرایند بارش– رواناب از داده های بارش و دبی جریان در دوره زمانی ۱۳۹۶-۱۳۷۶ استفاده شد. بعد از کنترل کیفی و صحت داده ها، تاخیر بارش و دبی با استفاده از ضرایب خودهمبستگی، خود همبستگی جزئی و همبستگی متقارن در نرم افزار R Studio مشخص شد. سپس پارامترهای موثر و ترکیب بهینه نیز به روش آزمون گاما تعیین و برای اجرای مدل تحت سه سناریوی مختلف در نرم افزار MATLAB مورد استفاده قرار گرفتند. نتایج آزمون گاما نشان داد که پارامترهای بارش روز جاری، بارش یک روز قبل، دبی روز قبل و دو روز قبل دارای بیشترین تاثیر در دبی خروجی حوضه هستند. همچنین ترکیب های Pt Qt-۱ و Pt Pt-۱ Qt-۱ Qt-۲ Qt-۳ مناسب ترین ترکیب بهینه ورودی برای مدل سازی انتخاب شدند. نتایج مدل سازی نشان داد که در مدل ماشین بردار پشتیبان تابع کرنل پایه شعاعی (RBF) نسبت به کرنل های چندگانه و خطی دارای عملکرد بهتری است. همچنین کارایی مدل شبکه عصبی مصنوعی (ANN) نسبت به مدل ماشین بردار پشتیبان (SVM) با تابع کرنل پایه شعاعی (RBF) بهتر است.

کلیدواژه ها

Gamma test, Optimum combination, Soft calculations, Artificial neural network, Support vector machine, North Karun watershed, آزمون گاما, ترکیب بهینه, محاسبات نرم, شبکه عصبی مصنوعی, ماشین بردار پشتیبان, حوضه آبخیز کارون شمالی

اطلاعات 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.