[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
برای داوران::
ثبت‌نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
فعالیت‌های انجمن::
اصول اخلاقی::
بانک‌ها و نمایه نامه‌ها::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آخرین مطالب بخش
:: ارتقاء چارک نشریه سامانه‌های سطوح آبگیر باران ایران
:: ارزیابی ضریب تاثیر سال ۱۴۰۳
..
آخرین مطالب سایر بخش‌ها
..
فرم تعارض منافع و تعهد نویسندگان
نویسنده گرامی، تکمیل و ارسال فرم تعهد نویسندگان و فرم تعارض منافع در زمان ارسال مقاله الزامی است.
جهت دریافت فرم، روی کلمه فرم مورد نظر کلیک فرمایید و پس از تکمیل، در قسمت فایل‌های پیوست قرار دهید.
..
:: ::
برگشت به فهرست مقالات برگشت به فهرست نسخه ها
پیش‌بینی دبی جریان با استفاده از یادگیری ماشین (مطالعه موردی: حوضه قره‌سو میانی)
صیاد اصغری سراسکانرود* ، امین عبدالعلی پور عدل
استاد،گروه جغرافیای طبیعی، دانشکده علوم اجتماعی،دانشگاه محقق اردبیلی، اردبیل، ایران
چکیده:   (88 مشاهده)
رودخانه قره‌سو از منابع اصلی تأمین آب کشاورزی در استان اردبیل است. پژوهش حاضر باهدف بررسی پنج مدل یادگیری ماشین شامل جنگل تصادفی (RF)، نزدیک‌ترین همسایه (KNN)، رگرسیون خطی (LR)، تقویت گرادیان (GBoosting) و شبکه عصبی مصنوع (ANN) برای پیش‌بینی دبی رودخانه در دو ایستگاه سامیان 1999-2018 و ارباب کندی 1976-2018 در مقیاس روزانه و در حوضه پایاب قره‌سو انجام گرفت. در این پژوهش از 17 ویژگی هیدرو اقلیمی به‌عنوان ورودی مدل‌ها و دبی روزانه به‌عنوان خروجی در نظر گرفته شد. جهت ارزیابی عملکرد مدل‌ها از پارامترهای ارزیابی آماری شامل ضریب تعیین (R2)، میانگین قدرمطلق (MAE) و ریشه میانگین مربعات خطا (RMSE) مورداستفاده قرار گرفت هم‌چنین از پارامترهای بازه احتمال پیش‌بینی (PICP)، میانگین نرمال شده بازه پیش‌بینی (PINAW) و میانگین بازه (MPIW) برای عدم قطعیت مدل‌ها ملاک قرار داده شد. نتایج نشان داد برای ایستگاه سامیان مدل GBoosting مقدار R2 برابر با 853/0 و مقدار RMSE  برابر با 651/0 بوده است بهترین نتایج را نسبت به سایر مدل‌ها ارائه داده است. در مقابل KNN ضعیف‌ترین عملکرد را داشته است. به‌گونه‌ای که مقدار R2 و RMSE به‌ترتیب برابر با 438/0، 273/1 و شاخص‌های عدم قطعیت نشان داد مدل GBoosting با ایجاد MPIW با مقدار 7577/1 و PINAW با مقدار 130/0 نسبت به بقیه مدل‌ها با ایجاد بازه باریک‌تر به هدف 95/0 پیش‌بینی دست یابد. در مقابل KNN علی‌رغم رسیدن به بازه 95/0 پیش‌بینی، مقدار MPIW و PINAW به‌ترتیب 841/3 و 28454/0 بوده است. در ایستگاه ارباب کندی جنگل تصادفی مقدار  R2برابر 793/0 و RMSE برابر 090/1 بهترین عملکرد و KNN با مقدار R2  برابر 663/0 وRMSE  این مدل 386/1 بوده که ضعیف‌ترین عملکرد را داشته است. هم‌چنین شاخص‌های عدم قطعیت تأییدکننده این موضوع است کهRF  تقریبا 940/0 را در بازه پیش‌بینی قرار دهد هم‌چنین مقدار PINAW برابر با 065/0 و MPIW 575/1 است. در مقابلKNN  توانست 93/0 را در بازه پیش‌بینی قرار دهد مقدار به‌دست‌آ مده برای شاخص PINAW برابر 103/0 و 0488/2 برای MPIW  تأییدکننده این موضوع است که KNN در این ایستگاه ضعیف‌ترین عملکرد را داشته است. در پایان پیشنهاد می‌شود برای پیش‌بینی بهتر از داده‌های ساعتی هیدرو اقلیمی اعم از دبی، دما، بارش و رطوبت استفاده شود.
شماره‌ی مقاله: 4
واژه‌های کلیدی: داده‌کاوی، سری زمانی، شبیه‌سازی، مدیریت منابع آب
     
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1405/4/17 | ویرایش نهایی: 1405/7/1 | پذیرش: 1405/6/27 | انتشار الکترونیک پیش از انتشار نهایی: 1405/6/27
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
برگشت به فهرست مقالات برگشت به فهرست نسخه ها
مجله علمی سامانه های سطوح آبگیر باران Iranian Journal of Rainwater Catchment Systems
تکمیل و ارسال فرم تعارض منافع
نویسنده گرامی ، پس از ارسال مقاله ، جهت دریافت فرم، لطفا بر روی کلمه فرم تعارض منافع کلیک نمایید و پس از تکمیل، در فایل های پیوست مقاله قرار دهید.
Persian site map - English site map - Created in 0.24 seconds with 38 queries by YEKTAWEB 4774