پیش بینی فرآیند بارش- رواناب با بهره گیری از مدل ترکیبی بهینه سازی تجمعی ذرات- ماشین بردار پشتیبان موجکی (مطالعه موردی: دشت سیلاخور)
محل انتشار: فصلنامه دانش آب و خاک، دوره: 33، شماره: 1
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 200
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WASO-33-1_004
تاریخ نمایه سازی: 16 فروردین 1402
چکیده مقاله:
مدل سازی و پیش بینی فرآیند بارش-رواناب نقش مهمی را در مدیریت منابع آب، برنامهریزیهای شهری، عملکرد مخازن سد و... ایفا میکند. ماشین بردار پشتیبان (SVM) به عنوان یکی از مدلهای نوین هوش مصنوعی، از قابلیت و انعطافپذیری بالایی در پیش بینی دادههای هیدرولوژیکی برخوردار است. در این پژوهش ایدهی مدل سازی فرآیند بارش-رواناب توسط مدل ترکیبی الگوریتم بهینهسازی تجمعی ذرات و ماشین بردار پشتیبان موجکی (PSO-WT-SVM) مطرح گردیده است. در ساختار الگوریتم SVM پارامترهای ثابتی وجود دارد که میبایست توسط کاربر تعیین گردند بطوریکه انتخاب نامناسب این پارامترها موجب کاهش قابل توجه کارایی مدل میگردد. جهت حل این مشکل از الگوریتم بهینهسازی تجمعی ذرات (PSO) برای یافتن مقادیر بهینهی پارامترهای مدل SVM استفاده شده و مدل ترکیبی PSO-SVM معرفی میشود. در گام بعدی، با انجام عمل پیشپردازش بر روی دادهها توسط تبدیل موجک (WT) مدل PSO-WT-SVM مطرح میگردد. نهایتا سری زمانی روزانه بارش-رواناب دشت سیلاخور واقع در استان لرستان توسط مدل ساده SVM و مدلهای ترکیبی PSO-SVM و PSO-WT-SVM مدل سازی و پیش بینی شده و دقت مدل سازی توسط دو معیار ضریب تبیین و میانگین مربع خطاها (RMSE) مورد سنجش قرار میگیرد. نتایج حاصل از این مدل سازی در مرحله صحتسنجی نشان میدهد که مدل ترکیبی PSO-SVM و PSO-WT-SVM با ضریب تبیین به ترتیب ۷۲/۰ و ۸۹/۰ جایگزین بسیار مناسبی نسبت به مدل SVM با ضریب تبیین ۵۷/۰ برای پیش بینی سری زمانی بارش-رواناب دشت سیلاخور میباشند.
کلیدواژه ها:
نویسندگان
مهدی کماسی
گروه عمران، دانشگاه آیت الله بروجردی، بروجرد، ایران
سروش شرقی
دانشجوی دکتری، مهندسی و مدیریت منابع آب، دانشکده عمران، دانشگاه تهران
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 :