مقاله شبيه سازي خودهمبسته جريان حوضه آبريز زرينه رود با استفاده از روش تجزيه پروکراستس و مدل‌هاي شبکه عصبي مصنوعي و ماشين بردار پشتيبان

    —         —    

ارتباط با ما     —     لیست پایان‌نامه‌ها

... دانلود ...

بخشی از متن مقاله شبيه سازي خودهمبسته جريان حوضه آبريز زرينه رود با استفاده از روش تجزيه پروکراستس و مدل‌هاي شبکه عصبي مصنوعي و ماشين بردار پشتيبان :


سال انتشار : 1394

تعداد صفحات :24

پیش­بینی جریان رودخانه­ها در حوضه­های آبریز نقش مهمی در بهره­برداری و مدیریت صحیح منابع آبی دارد. تعیین نوع و تعداد ورودی­ مدل­های تخمین­گر, یکی از مهم­ترین مراحل در پیش­بینی جریان رودخانه­ها می­باشد. بنابراین از روش تجزیه پروکراستس (PA) برای تعیین تعداد ورودی­های موثر استفاده شده است. در این تحقیق پیش­بینی جریان با استفاده از داده­های جریان ماهانه ایستگاه­های آب­سنجی صفاخانه و سنته انجام گرفته است. مدل شبکه عصبی مصنوعی (MLP) و مدل ماشین بردار پشتیبان (SVM) برای پیش­بینی جریان مورد استفاده قرار گرفته­اند. بهترین تخمین جریان با استفاده از مدل­های MLP و PA-MLP در ایستگاه آب­سنجی صفاخانه به­ترتیب با RMSE برابر با (m3/s) 68/5 و (m3/s) 85/4 و CC برابر با 73/0 و 78/0 و در ایستگاه آب­سنجی سنته به­ترتیب با RMSE برابر با (m3/s) 44/6 و (m3/s) 36/6 و CC برابر با 78/0 و 79/0 انجام شده است. مدل­ PA-SVM نیز به­ترتیب با RMSE و CC برابر با (m3/s) 45/5 و 73/0 در دوره صحت­سنجی نتایج بهتری را نسبت مدل SVM در تخمین جریان ایستگاه آب­سنجی صفاخانه داشته است. همچنین نتایج نشان داد که مدل‏های SVM و PA-SVM جریان ایستگاه سنته را با RMSE به­ترتیب برابر با (m3/s) 85/6 و (m3/s) 03/7 تخمین زده‏اند. در حالت کلی نتایج نشان داد که روش تجزیه پروکراستس می­تواند به­عنوان یکی از روش‌های کارآمد و مناسب جهت تعیین تعداد ورودی موثر مورد استفاده قرار گیرد. مقایسه نتایج مدل­های MLP و SVM نیز نشان داد که مدل MLP از دقت بیشتری نسبت به مدل SVM برخوردار است.

لینک کمکی