بررسی کارایی روش های مختلف هوش مصنوعی و روش آماری در برآورد میزان رواناب (مطالعه موردی: حوزه شهید نوری کاخک گناباد)
- سال انتشار: 1396
- محل انتشار: پژوهشنامه مدیریت حوزه آبخیز، دوره: 8، شماره: 16
- کد COI اختصاصی: JR_JWMR-8-16_002
- زبان مقاله: فارسی
- تعداد مشاهده: 333
نویسندگان
چکیده
سال هاست که از مدل های بارش-رواناب در زمینه هیدرولوژی و برآورد رواناب استفاده می شود. اما علی رغم وجود مدل های فراوان، ظهور مرتب مدل های جدید نشان دهنده آن است که هنوز مدلی که بتواند بدون هیچ گونه نقص و ایرادی، کارایی و دقت بالا را در برآوردها ارائه کند ایجاد نشده است. بدین منظور جهت دستیابی به بهترین نتایج ؛ تعیین کارایی و شناسایی بهترین مدل ها، پس از انجام مدل سازی ها، ضرورت می یابد. در این راستا، در پژوهش حاضر، ابتدا اقدام به مدل سازی و برآورد میزان رواناب با استفاده از روش های مختلف هوش مصنوعی و نیز روش های آماری رگرسیون چندگانه شد. سپس جهت بررسی کارایی روش های اجراشده و نهایتا انتخاب بهترین مدل، از معیارهای کارایی و ارزیابی شامل؛ ضریب همبستگی (R)، ضریب نش-ساتکلیف(NSE) ، ریشه میانگین مربعات خطا (RMSE)و میانگین قدر مطلق خطا (MAE) استفاده گردید. اطلاعات مورداستفاده در این تحقیق، از دادههای ۹ واقعه بارندگی در بازه زمانی ۲۰۱۵-۲۰۱۱ حوزه کاخک گناباد تهیه شد. مدل های هوش مصنوعی موردبررسی در این مطالعه نیز عبارت بودند از: شبکه عصبی مصنوعی پس انتشار پیش خور نرمال، پیش خور Cascade، پس خور خودبازگشتی Elman، شبکه فازی-عصبی (ANFIS) و مدل درخت تصمیم رگرسیونی (Regression Tree) که در محیط نرم افزار متلب اجرا شدند. همچنین از روش رگرسیون چندگانه گام به گام به عنوان روش آماری، در محیط نرم افزار مینیتب استفاده گردید. نتایج حاصل از این پژوهش نشان داد؛ انواع روش های آماری و هوش مصنوعی در نظر گرفته شده به طور نسبتا مشابهی دارای کارایی قابل قبول بوده و با دقت مناسب و خطای نسبتا کم، قادر به برآورد میزان رواناب هستند. در این بین، مدل های عصبی پیش خور نرمال و پیش خور Cascade با تعداد ۵ پارامتر ورودی میزان کارایی بهتری را نسبت به سایر مدل ها نشان دادند. چنانکه معیارهای کارایی R ،NSE ، RMSE و MAE در این مدل ها، به ترتیب مقادیر مشابه؛ ۸۸/۰، ۷۶/۰، ۲ و ۵/۱ بدست آمد. درمجموع یافته ها حاکی از برآورد بهتر مدل های هوش مصنوعی نسبت به روش آماری رگرسیونی است.کلیدواژه ها
Modeling, Neural Networks, Decision trees, ANFIS, Backpropagation, Feedforward, Feedbackward, مدل سازی, شبکه های عصبی, درخت تصمیم, ANFIS, پس انتشار, پیش خور, پس خوراطلاعات 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.