ورود
مقالات فارسیISIکنفرانسهاژورنالها

ارزیابی روش هیبرید در پیش بینی سری زمانی بارندگی در مناطق ساحلی

محل انتشار: فصلنامه علمی علوم و فنون آبخاکی، دوره: 3، شماره: 2
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 236

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/1996039

شناسه ملی سند علمی:

JR_JAMST-3-2_005

تاریخ نمایه سازی: 21 خرداد 1403

چکیده مقاله:

پیش­بینی بارندگی تاثیر مهمی بر مطالعات منابع آب مانند مطالعات مهندسی رودخانه، سیستم­های هشدار سیل و غیره دارد. کاربرد هوش مصنوعی در مباحث مختلف منابع آب بسیار مورد توجه بوده است و اغلب نتایج قابل قبولی ارائه داده است. هدف از این تحقیق پیش­بینی سری زمانی ماهانه بارندگی در سه ایستگاه با شرایط آب و هوایی متفاوت در استان گلستان با استفاده از سه روش، شامل ۱: آریما (ARIMA)، ۲: ماشین بردار پشتیبان (SVM) و ۳: هیبرید (ARIMA-SVM) می­باشد. آریما بر اساس روش­های آماری، ماشین بردار پشتیبان با استفاده از هوش مصنوعی و هیبرید با ترکیب این دو روش سری زمانی بارندگی را پیش­بینی کردند. در روش هیبرید به منظور پیش بینی سری زمانی از ARIMA جزء خطی و از SVM  جزء غیرخطی استفاده گردید. در این تحقیق بررسی جامعی از توانایی روش SVM و روش جدید هیبرید در پیش­بینی سری زمانی بارندگی و مقایسه آن با روش معمول ARIMA صورت گرفت. نتایج حاصل از شبیه­سازی سری زمانی بارندگی در سه ایستگاه نشان داد در مرحله آزمون روش SVM نسبت به ARIMA به طور متوسط ضریب تعیین را ۱۶ درصد افزایش و خطا را ۲۶ درصد کاهش داده است. هم چنین روش ARIMA-SVM به طور متوسط توانسته نسبت به SVM مقدار ضریب تعیین را ۶ درصد افزایش و خطا را حدود ۴۶ درصد کاهش دهد. پراکندگی نقاط حول خط ۱:۱ در روش ARIMA-SVM در تمام دامنه بارندگی نسبت به دو روش دیگر کم تر است و این روش توانسته در تمام دامنه، پیش­بینی مناسبی انجام دهد. مقایسه مقادیر خطا در ماه­های مختلف نشان داد بیش ترین خطا در پیش­بینی بارندگی مربوط به ماه های کم بارش­ است. هم چنین مقایسه میانگین داده­های روش هیبرید با مقادیر واقعی در مرحله آزمون نشان داد مشخصات آماری داده­های اولیه حفظ شده است. در مجموع بررسی­ها نشان داد روش هیبرید به عنوان یک گزینه مناسب برای پیش­بینی سری زمانی بارندگی است.

کلیدواژه ها:

نویسندگان

سید مرتضی سیدیان

گروه مهندسی آب، دانشکده کشاورزی، دانشگاه گنبد کاووس

علی رادکانی

گروه مرتع و آبخیزداری، دانشگاه گنبدکاووس، ایران

مجتبی کاشانی

گروه ریاضی و آمار، دانشگاه گنبد، 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 :
  • آریاآذر، ن.، قوردویی میلان، س.، کاردان، ن. (۱۴۰۰). توسعه مدل ...
  • اسلامیان، س.، بذرکار، م. ه.، موسوی، ف. (۱۳۹۱). پیش­بینی خشک ...
  • پیری، ح.، عباس زاده، م.، راهداری، و.، ملکی، س. (۱۳۹۲). ...
  • پیش بینی خشکسالی با استفاده از الگوریتم ژنتیک و مدل ترکیبی شبکه عصبی- موجکی [مقاله ژورنالی]
  • خداقلی، م.، صبوحی، ر.، اسکندری، ذ.. (۱۳۹۳). تحلیل روند گذشته ...
  • دودانگه، ا.، عابدی کوپائی، ج.، گوهری، ع. ر. (۱۳۹۱). کاربرد ...
  • شریفان، ح.، قهرمان، ب. (۱۳۸۶). ارزیابی پیش­بینی باران با به ...
  • شمس­نیا، ا.، پیرمرادیان، ن.، امیری، ن. (۱۳۸۸). مدل سازی خشکسالی ...
  • طوفانی، پ.، مساعدی، ا.، فاخری فرد، ا. (۱۳۹۰). پیش­بینی بارندگی ...
  • کماسی، م.، شرقی، س. (۱۳۹۶). کاربرد الگوریتم ماشین بردار پشتیبان ...
  • لاله، پ.، خیاط خلقی، م.، فاخری فرد، ا. (۱۳۸۸). پیش ...
  • ارزیابی سیستم های استنتاج فازی جهت برآورد تبخیر تعرق مرجع ساعتی (مطالعه موردی: منطقه فریمان) [مقاله ژورنالی]
  • پیش بینی ماهانه جریان با استفاده از ماشین بردار پشتیبان بر مبنای آنالیز مؤلفه اصلی [مقاله ژورنالی]
  • Athavale, Y.R. (۲۰۱۰). Pattern classification of time-series signals using Fisher kernels ...
  • Ch, S., Anand, N., Panigrahi, B.K., Mathur, S. (۲۰۱۳). Streamflow ...
  • Chattopadhyay, S., Chattopadhyay, G. (۲۰۰۸). Identification of the best hidden ...
  • Cohen, S., Ianetz, A., Stanhill, G. (۲۰۰۲). Evaporative climate changes ...
  • Devore, J., Peck, R. (۱۹۹۳). Statistics: The Exploration and Analysis ...
  • Dibike, Y.B., Velickov, S., Solomatine, D., Abbott, M.B. (۲۰۰۱). Model ...
  • Dodangeh, S., Koupai, J.A., Gohari, S.A. (۲۰۱۲). Application of time ...
  • Eslamian, S.S., Bazrkar, M.H., Mousavi, S.F. (۲۰۱۲). Drought forecasting in ...
  • Grimaldi, S. (۲۰۰۴). Linear parametric models applied to daily hydrological ...
  • Gunn, S.R. (۱۹۹۸). Support vector machines for classification and regression. ISIS ...
  • Guo, Z., Zhao, J., Zhang, W., Wang, J. (۲۰۱۱). A ...
  • Hassanzadeh, Y., Abdi Kordani, A., Fakheri Fard, A. (۲۰۱۲). Drought ...
  • Hong, W.C. (۲۰۰۸). Rainfall forecasting by technological machine learning models. Applied ...
  • Jain, A., Kumar, A.M. (۲۰۰۷). Hybrid neural network models for ...
  • Kecman, V. (۲۰۰۱). Learning and soft computing: support vector machines, neural ...
  • Kurunç, A., Yürekli, K., Cevik, O. (۲۰۰۵). Performance of two ...
  • Lafdani, E.K., Nia, A.M., Ahmadi, A. (۲۰۱۳). Daily suspended sediment ...
  • Li, G., Shi, J., Zhou, J. (۲۰۱۱). Bayesian adaptive combination ...
  • Liong, S.Y., Sivapragasam, C. (۲۰۰۲). Flood stage forecasting with support ...
  • Moghaddamnia, A., Ghafari, M., Piri, J., Han, D. (۲۰۰۸). Evaporation ...
  • Noori, R., Karbassi, A.R., Moghaddamnia, A., Han, D., Zokaei-Ashtiani, M.H., ...
  • Noori, R., Khakpour, A., Dehghani, M., Farokhnia, A. (۲۰۱۰). Monthly ...
  • Oduro-Afriyie, K., Adukpo, D.C. (۲۰۰۶). Spectral characteristics of the annual ...
  • Pai, P.F., Lin, C.S. (۲۰۰۵). Using support vector machines to ...
  • Parviz, L., Kholghi, M., Fakherifard, A. (۲۰۰۹). Forecasting annual streamflow ...
  • Sapankevych, N.I., Sankar, R. (۲۰۰۹). Time series prediction using support ...
  • Schaffer, A.L., Dobbins, T.A., Pearson, S.A. (۲۰۲۱). Interrupted time series ...
  • Shamsnia, S.A., Pirmoradian, N., Amiri, S. N. (۲۰۰۹). Drought modeling ...
  • Sharifan, H., Ghahraman, B. (۲۰۰۷). Evaluation of rainfall forecasting in ...
  • Shi, J., Guo, J., Zheng, S. (۲۰۱۲). Evaluation of hybrid ...
  • Soltani, S., Modarres, R., Eslamian, S.S. (۲۰۰۷). The use of ...
  • Toth, E., Brath, A., Montanari, A. (۲۰۰۰). Comparison of short-term ...
  • Toufani, P., Mosaedi, A., Fakheri, F.A. (۲۰۱۱). Prediction of precipitation ...
  • Tseng, F.M., Yu, H. C., Tzeng, G. H. (۲۰۰۲). Combining ...
  • Valencia, J.L., Requejo, A.S., Gascó, J.M., Tarquis, A.M. (۲۰۱۰). A ...
  • Vapnik, V.N. (۱۹۹۹). An overview of statistical learning theory. IEEE transactions ...
  • Walther, G.R., Post, E., Convey, P., Menzel, A., Parmesan, C., ...
  • Wang, W.C., Chau, K.W., Cheng, C.T., Qiu, L. (۲۰۰۹). A ...
  • Wu, C.L., Chau, K.W. (۲۰۱۳). Prediction of rainfall time series ...
  • Wu, C.L., Chau, K.W., Li, Y.S. (۲۰۰۸). River stage prediction ...
  • Yu, P.S., Chen, S.T., Chang, I.F. (۲۰۰۶). Support vector regression ...
  • Yu, Z.G., Leung, Y., Chen, Y. D., Zhang, Q., Anh, ...
  • Yürekli, K., Kurunç, A., Öztürk, F. (۲۰۰۵). Testing the residuals ...
  • Zhang, G.P. (۲۰۰۳). Time series forecasting using a hybrid ARIMA ...
    • نمایش کامل مراجع