معرفی یک مدل غیر خطی بر اساس هیبرید ماشین های یادگیری به منظور مدل سازی و پیش بینی بارش و مقایسه با روش SDSM (مطالعات موردی: شهرکرد، بارز و یاسوج)

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 147

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJSWR-51-2_004

تاریخ نمایه سازی: 2 خرداد 1402

چکیده مقاله:

در پژوهش حاضر، مدلی هیبریدی بر مبنای روش­های غیرخطی شامل رگرسیون تطبیقی چندگانه اسپلاین (MARS)، شبکه عصبی مصنوعی (ANN) و K نزدیکترین همسایه (KNN) به منظور ریز­مقیاس­نمایی و پیش­بینی بارش ایستگاه های شهرکرد، بارز و یاسوج تحت شرایط تغییر اقلیم معرفی شده است. مدل هیبریدی ارائه شده، مانند مدل ریز­مقیاس نمایی SDSM، از دو گام طبقه­بندی و رگرسیون تشکیل شده است. مدل MARS برای طبقه­بندی وقوع بارش و الگوریتم­های ANN و KNN برای تعیین مقدار بارش به­کار برده شده­اند. نتایج مدل MARS برای تعیین وقوع بارش نشان می­دهد که مدل مذکور نسبت به مدل SDSM از دقت بیش­تری برخوردار است. با مقایسه نتایج ریز­مقیاس­نمایی مشاهده می­شود که الگوریتم ANN نسبت به مدل SDSM و الگوریتم KNN دارای دقت بیش­تری در تعیین میانگین سالانه و ماهانه بارش است. به­طوری که در ایستگاه شهرکرد مقدار معیار R برای الگوریتم ANN نسبت به مدل SDSM به اندازه ۵۴ درصد دقیق­تر است. هم­چنین، الگوریتم­های ANN، KNN و SDSM از نظر بیش­ترین دقت در سه ایستگاه بررسی شده، با در نظر گرفتن میانگین، انحراف معیار و ضریب چولگی ماهانه به ترتیب در رتبه­های اول، دوم و سوم قرار داده می­شوند. در نهایت، مقدار تغییرات بارش در دوره آینده نزدیک (۲۰۲۰-۲۰۴۰) و آینده دور (۲۰۷۰-۲۱۰۰) تحت سناریو­های A۲ و B۲ مدل HADCM۳ بررسی شد. نتایج نشان داد که کم­ترین کاهش بارش (۲ درصد) مربوط به الگوریتم ANN (در ایستگاه شهرکرد) و سناریوی A۲ در دوره آینده نزدیک و بیش­ترین آن (۵۴ درصد) مربوط به مدل SDSM (در ایستگاه یاسوج) و سناریوی A۲ در دوره آینده دور می­باشد. در نهایت می توان نتیجه گرفت که هیبرید ماشین های یادگیری نسبت به مدل SDSM، از دقت بیشتری برخوردار است و می توان از مدل معرفی شده به عنوان جایگزین مدل SDSM استفاده کرد.

نویسندگان

مهدی ولیخان انارکی

دانش آموخته کارشناسی ارشد، گروه مهندسی و مدیریت منابع آب، دانشکده مهندسی عمران، دانشگاه سمنان

سید فرهاد موسوی

گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان

سعید فرزین

استادیار گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهدسی عمران، دانشگاه سمنان

حجت کرمی

استادیار گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهدسی عمران، دانشگاه سمنان

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 :
  • Ahmadi, A., Moridi, A., Lafdani, E. K. and Kianpisheh, G. ...
  • Ahmed, K., Shahid, S., Nawaz, N. and Khan, N. (۲۰۱۹). ...
  • Al-Mukhtar, M. and Qasim, M. (۲۰۱۹). Future predictions of precipitation ...
  • Araghinejad, S. (۲۰۱۴). Data-driven modeling: Using MATLAB in Water Resources ...
  • Ashofteh, S. A. and Bozorg-Haddad, O. (۲۰۱۳). Use of multi-conditional ...
  • Beheshti, M., Heidari, A. and Saghafian. (۲۰۱۹). Susceptibility of Hydropower ...
  • Campozano, L., Tenelanda, D., Sanchez, E., Samaniego, E. and Feyen, ...
  • Chaudhary, S., Agarwal, A. and Nakamura, T. (۲۰۱۹). Rainfall Projection ...
  • Chen, S. T., Yu, P. S. and Tang, Y. H. ...
  • Devak, M., Dhanya, C. T. and Gosain, A. K. (۲۰۱۵). ...
  • Dorji, S., Herath, S. and Mishra, B. (۲۰۱۷). Future climate ...
  • Friedman, J. H. (۱۹۹۱). Multivariate adaptive regression splines. The Annals ...
  • Ghamghami, M., Ghahreman, N. and Araghinejad, S. (۲۰۱۰). An evaluation ...
  • Hadi, S. J. and Tombul, M. (۲۰۱۸). Streamflow forecasting using ...
  • Haji Hosseini, R., Golian, S. and Yazdi, J. (۲۰۱۸). Evaluation ...
  • Hessami, M., Gachon, P., Ouarda, T. B. M. J. and ...
  • IPCC-TGCIA. (۱۹۹۹). Guidelines on the Use of Scenario Data for ...
  • IPCC-TGCIA. (۲۰۰۷). General Guidelines on the Use of Scenario Data ...
  • Khashei, A., Shahidi, A., Pourrezabilondi, M., Amirabadizadeh, A. and Jafarzadeh, ...
  • Lee, K. T., Hung, W. C. and Meng, C. C. ...
  • Mekanik, F., Imteaz, M. A., Gato-Trinidad, S. and Elmahdi, A. ...
  • Mesbahzadeh, T., Miglietta, M. M., Miakbari, M., Soleimani Sardoo, F. ...
  • Modaresi, F. Araghinejad, S. and Ebrahimi, K. (۲۰۱۸). A comparative ...
  • Moghadam, S. H., Ashofteh, P. S. and Loáiciga. H. A. ...
  • Morita, T., (۲۰۰۱). ۲.۵. ۱.۱ IPCC Emissions Scenarios and the ...
  • Nourani, V., Baghanam, A. H. and Gokcekus, H. (۲۰۱۸). Data-driven ...
  • Nourani, V., Razzaghzadeh, Z., Baghanam, A.H. and Molajou, A. (۲۰۱۹). ...
  • Rezaie-Balf, M., Zahmatkesh, Z and. Kim, S. (۲۰۱۷). Soft computing ...
  • Salajegheh, A., Rafiei Sardoii, E., Moghaddamnia, A., Malekian, A., Araghinejad, ...
  • Sayedi, A., Taleb beydokhti, N., Najarchi, M. and Najafizadeh, M. ...
  • Singh, K. K., Pal, M. and Singh, V. P. (۲۰۱۰). ...
  • Wilby, R. L., Dawson, C. W. and Barrow, E. M. ...
  • Wu, C. L., Chau, K. W. and Fan, C. (۲۰۱۰). ...
  • نمایش کامل مراجع