پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,714 |
| تعداد مقالات | 72,518 |
| تعداد مشاهده مقاله | 130,577,218 |
| تعداد دریافت فایل اصل مقاله | 102,851,735 |
ترکیب مدل ماشین یادگیری افراطی مناسب داده پرت (ORELM) با مدل خطی میانگین متحرک اتورگرسیو فصلی(SARIMA) برای بهبود دقت مدل‌سازی رواناب | ||
| تحقیقات آب و خاک ایران | ||
| دوره 56، شماره 2، اردیبهشت 1404، صفحه 331-349 اصل مقاله (1.84 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2024.382136.669788 | ||
| نویسندگان | ||
| فرشته نورمحمدی ده بالایی1؛ آرش آذری* 2؛ علی اکبر اختری3 | ||
| 1گروه مهندسی عمران، دانشکده فنی مهندسی، دانشگاه رازی کرمانشاه، ایران | ||
| 2دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه رازی کرمانشاه، ایران | ||
| 3گروه مهندسی عمران، دانشکده فنی مهندسی، دانشگاه رازی، کرمانشاه، ایران. | ||
| چکیده | ||
| پیش‌بینی دقیق و قابل اعتماد رواناب نقش مهمی در مدیریت منابع آب داشته، اما ماهیت پیچیده این پارامتر میتواند چالشهای عمدهای را برای توسعه مدلهای پیش‌بینی مناسب ایجاد کند. دو مدل هیبرید براساس ترکیب دو مدل خطی و غیرخطی ساده برای مدل‌سازی رواناب ماهانه در ایستگاه هیدرولوژیکی 02PL005 در حوزه رودخانه سنت لارنس در کشور کانادا پیشنهاد گردیده است. مدل خطی میانگین متحرک اتورگرسیو فصلی SARIMA برای پرداختن به ویژگیهای خطی و فصلی رواناب پیشنهاد شده است. در حالیکه مدل پرسپترون چند لایه (MLP) و ماشین یادگیری افراطی(ORELM) برای پرداختن به ویژگیهای غیرخطی دادهها از طریق یادگیری ماشین و تشخیص الگو به کار برده شده است. به منظور افزایش دقت مدل‌سازی در مرحله اول مدل‌سازی ایستایی و نرمالیته دادهها مورد بررسی قرار گرفت و با انجام پیشپردازش مناسب دادهها برای مدل‌سازی در بخش خطی آماده گردیدند. سپس با تعریف زیرسناریوهای مختلف و انجام مدل‌سازی از طریق مدل خطی، بهترین مدل خطی از طریق آماره‌های ریاضی مختلف شامل MAE، RMSE، R و AIC انتخاب گردید. در مرحله پایانی باقیماندههای مدل خطی توسط دو مدل غیرخطی شامل ANN و ORELM مدل‌سازی گردیدند. مقایسه نتایج مدلهای هیبرید پیشنهادی نشان داد که مدل هیبرید SARIMA-ORELM با AIC=249.29، R=0.71، MAE=11.2 و RMSE=14.33 در تمامی معیارهای ریاضی بهتر از مدل SARIMA-MLP عمل میکند. همچنین نتایج مدلهای هیبرید با مدلهای متداول MLP، ORELM و SARIMA مقایسه گردید. | ||
| کلیدواژه‌ها | ||
| رواناب ماهانه؛ مدل هیبرید؛ MLP؛ ORELM SARIMA | ||
| مراجع | ||
|
Azari, A., Zeynoddin, M., Ebtehaj, I., Sattar, A. M. A., Gharabaghi, B. and Bonakdari, H. 2021. Integrated preprocessing techniques with linear stochastic approaches in groundwater level forecasting. Acta Geophysica, 69, 1395–1411. https://doi.org/10.1007/s11600-021-00617-2. Bayesteh, M., & Azari, A. (2019). Comparison of the performance of stochastic models in the generation of synthetic monthly flows data: A case study on Marun river. Journal of Applied Research in Water and Wastewater. 12, 117-125. https://doi.org/10.22126/arww.2019.1405. Box, G. E. P., & Jenkins, G. (1970). Time series analysis: Forecasting and control (2nd ed.). San Francisco, CA: Holden-Day. Dwivedi, D. K., & Shrivastava, P.K. (2019). Rainfall and runoff estimation of micro watersheds of coastal Navsari. Journal of Soil and Water Conservation 18(1): 43-51, January-March 2019. ISSN: 022-457X (Print); 2455-7145 (Online); https://doi.org/ 10.5958/2455-7145.2019.00005.5. Ebtehaj, I., & Bonakdari, H. (2022). A reliable hybrid outlier robust non-tuned rapid machine learning model for multi-step ahead flood forecasting in Quebec, Canada, Journal of Hydrology, Volume 614, Part B, 2022, 128592, ISSN 0022-1694, https://doi.org/10.1016/j.jhydrol.2022.128592. Ebtehaj, I., Bonakdari, H., & Gharabaghi, B. (2019). A reliable linear method for modeling lake level fluctuations. Journal of Hydrology. 570 (2019), 236-250. https://doi.org/10.1016/j.jhydrol.2019.01.010. Ebtehaj, I., Bonakdari, H., Zeynoddin, M., Gharabaghi, B., & Azari, A. (2020). Evaluation of preprocessing techniques for improving the accuracy of stochastic rainfall forecast models. Int. Journal of Environment Science Technology. 17, 505–524. https://doi.org/10.1007/S13762-019-02361-Z. Gelete, G. (2023). Application of hybrid machine learning-based ensemble techniques for rainfall-runoff modeling. Earth Sci Inform 16, 2475–2495. https://doi.org/10.1007/S12145-023-01041-4. Huang, G. B., Zhu, Q. Y., & Siew, C. K. (2006). Extreme learning machine:theory and applications. Neurocomputing 70(1–3):489–501. Jarque, C. M., & Bera, A. K. (1980). Efficient tests for normality, homoscedasticity and serial independence of regression residuals. Econ Lett. 6(3):255–259. https://doi.org/10.1016/0165-1765(80)90024-5. Kwiatkowski, D., Phillips. P. C. B., Schmidt, P. & Shin, Y. (1992). Testing the null hypothesis of stationarity against the alternative of a unit root: How sure are we that economic time series have a unit root? J Econo. 54(1–3), 159–178. https ://doi.org/10.1016/0304-4076(92)90104 –Y. Kim, T., Shin, J. Y., Kim, H., Kim, S., & Heo, J. H. (2019). The Use of Large-Scale Climate Indices in Monthly Reservoir Inflow Forecasting and Its Application on Time Series and Artificial Intelligence Models. Water. 2019, 11, 374. https://doi.org/10.3390/w11020374. Lima, L. M. M., Popova, E., & Damien, P. (2014). Modeling and forecasting of Brazilian reservoir inflows via dynamic linear models. International Journal of Forecasting. 30 (2014) 464–476. https://doi.org/10.1016/j.ijforecast.2013.12.009. Moeeni, H., Bonakdari, H., & Ebtehaj, I. (2017). Integrated SARIMA with Neuro-Fuzzy Systems and Neural Networks for Monthly Inflow Prediction. Water Resource Management. 31, 2141–2156 (2017). https://doi.org/10.1007/s11269-017-1632-7. Nath, A., Mthethwa, F., & Saha, G. (2020). Runoff estimation using modified adaptive neuro-fuzzy inference system. Environment Engineering Res. 25(4), 545-553. https://doi.org/10.4491/eer.2019.166. Niu, W. J., Feng, Z. K., Zeng, M., Feng, B., Min, Y. W., Cheng, C. T., & Zhou, J. Z. (2019). Forecasting reservoir monthly runoff via ensemble empirical mode decomposition and extreme learning machine optimized by an improved gravitational search algorithm. Applied Soft Computing. 82,105589. https://doi.org/10.1016/j.asoc.2019.105589. Nourani, V., Najafi, H., Amini, A., & Tanaka, H. (2021). Using hybrid wavelet-exponential smoothing approach for streamflow modeling. Complexity. 1-17. https://doi.org/10.1155/2021/6611848. Nourmohammadi Dehbalaei, F., Azari, A. & Akhtari, A. A. (2023). Development of a linear–nonlinear hybrid special model to predict monthly runoff in a catchment area and evaluate its performance with novel machine learning methods. Appl Water Sci 13, 118 (2023). https://doi.org/10.1007/s13201-023-01917-2. Parsaie, A., Ghasemlounia, R., Gharehbaghi, A., Haghiabi, A., Chadee, A. A., Rashki Ghale Nou, M. (2024). Novel hybrid intelligence predictive model based on successive variational mode decomposition algorithm for monthly runoff series, Journal of Hydrology, Volume 634, 2024, 131041, ISSN 0022-1694, https://doi.org/10.1016/j.jhydrol.2024.131041. Phillips, P. C. B., & Perron, P. (1988). Testing for a unit root in time series regression, Biometrika, 75(2), 335-46. Salih, S. Q., Sharafati, A., Ebtehaj, I., Sanikhani, H., Siddique, R., Deo, R. C., Bonakdari, H., ShahidS., & Yaseen, Z. M. (2020). Integrative stochastic model standardization with genetic algorithm for rainfall pattern forecasting in tropical and semi-arid environments. Hydrological Sciences Journal. 65(2020), 7. https://doi.org/10.1080/02626667.2020.1734813. Soltani, K., Azari, A., Zeynoddin, M., Amiri, A., Ebtehaj, I., Ouarda, T. B. M. J., Gharabaghi, B., & Bonakdari, H. (2021). Lake surface area forecasting using integrated satellite-sarima-long-short-term memory model. 04 August 2021, PREPRINT (Version 1). https://doi.org/10.21203/rs.3.rs-631247/v1. Wang, W.C., Du, Y. J., Chau, K. W., Cheng, C. T., Xu, D. M. & Zhuang, WT. (2024). Evaluating the Performance of Several Data Preprocessing Methods Based on GRU in Forecasting Monthly Runoff Time Series. Water Resour Manage 38, 3135–3152. https://doi.org/10.1007/s11269-024-03806-y. Zhang, K., & Luo, M., (2015). Outlier-robust extreme learning machine for regression problems, Neurocomputing 151 (2015) 1519-1527. https://doi.org/10.1016/j.neucom.2014.09.022. Zhang, X., Wu, X., Zhu, G., Lu, X., & Wang, K. (2022). A seasonal ARIMA model based on the gravitational search algorithm (GSA) for runoff prediction. Water Supply 22 (8): 6959–6977. https://doi.org/10.2166/ws.2022.263. Zhihua, L.V., Zuo, J., & Rodriguez, D. (2020). Predicting of Runoff Using an Optimized SWAT-ANN: A Case Study. Hydrology.29. https://doi.org/10.1016/j.ejrh.2020.100688.
| ||
|
آمار تعداد مشاهده مقاله: 68 تعداد دریافت فایل اصل مقاله: 59 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب