مقایسه کارایی شبکه عصبی چند جمله ای با رویکرد یادگیری عمیق در حوزه آبخیز کسیلیان
محل انتشار: هفدهمین همایش ملی علوم و مهندسی آبخیزداری ایران با محوریت آبخیزداری و امنیت پایدار غذایی
سال انتشار: 1401
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 186
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
WATERSHED17_146
تاریخ نمایه سازی: 28 اسفند 1401
چکیده مقاله:
تخمین رواناب ناشی از بارش مازاد حوزه آبخیز می تواند کمک شایانی به طراحی دقیق سازه های آبی، مدیریت جامع حوزه های آبخیز و مدیریت سیلاب نماید. لذا در این پژوهش سعی شده است قدرت برآورد روش های یادگیری عمیق در مقایسه با شبکه عصبی چند جمله ای در حوزه های آبخیز کسیلیان مورد ارزیابی قرار گیرد. برای این منظور رواناب روزانه با استفاده از مدل LSTM شبیه سازی و نتایج آن با نتایج مدل MLP به عنوان رایج ترین مدل هوش مصنوعی و مدل GMDH به عنوان یکی از قوی ترین شبکه های عصبی مصنوعی مقایسه شد. نتایج پژوهش نشان داد در مدل های MLP، GMDHو LSTM به ترتیب R۲ برابر با ۰/۹۰۴۶، ۰/۹۱۷۲ و ۰/۹۶۰۴ و RMSE برابر با ۰/۱۷۰۴۱، ۰/۱۵۸۱ و ۰/۱۱۴۳ و NRMSE برابر با ۵۱/۹۱، ۴۸/۱۷۶ و ۳۴/۸۲ درصد بوده است. بر این اساس مدل LSTM دارای کم ترین خطا و بیش ترین همبستگی می باشد که برای پیش بینی رواناب در پژوهش های بعدی توضیه می گردد.
کلیدواژه ها:
نویسندگان
سحر مصطفایی یونجالی
دانشجوی کارشناسی ارشد علوم و مهندسی آبخیز، دانشکده منابع طبیعی و علوم دریایی نور، دانشگاه تربیت مدرس تهران
وحید موسوی
استادیار، دانشکده منابع طبیعی و علوم دریایی نور، دانشگاه تربیت مدرس تهران
رونی برندسون
استاد، مرکز مطالعات پیشرفته خاورمیانه، دانشگاه لوند، لوند، سوئد