سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,532
تعداد مقالات70,501
تعداد مشاهده مقاله124,100,371
تعداد دریافت فایل اصل مقاله97,207,154
ناظری تهرودی, محمد, هاشمی, سید رضا, احمدی, فرشاد, ناظری تهرودی, زهرا. (1395). بررسی دقت مدل‏ های ANFIS، SVM و GP در مدل‏ سازی مقادیر دبی جریان رودخانه. , 3(3), 347-361. doi: 10.22059/ije.2016.60024
محمد ناظری تهرودی; سید رضا هاشمی; فرشاد احمدی; زهرا ناظری تهرودی. "بررسی دقت مدل‏ های ANFIS، SVM و GP در مدل‏ سازی مقادیر دبی جریان رودخانه". , 3, 3, 1395, 347-361. doi: 10.22059/ije.2016.60024
ناظری تهرودی, محمد, هاشمی, سید رضا, احمدی, فرشاد, ناظری تهرودی, زهرا. (1395). 'بررسی دقت مدل‏ های ANFIS، SVM و GP در مدل‏ سازی مقادیر دبی جریان رودخانه', , 3(3), pp. 347-361. doi: 10.22059/ije.2016.60024
ناظری تهرودی, محمد, هاشمی, سید رضا, احمدی, فرشاد, ناظری تهرودی, زهرا. بررسی دقت مدل‏ های ANFIS، SVM و GP در مدل‏ سازی مقادیر دبی جریان رودخانه. , 1395; 3(3): 347-361. doi: 10.22059/ije.2016.60024

بررسی دقت مدل‏ های ANFIS، SVM و GP در مدل‏ سازی مقادیر دبی جریان رودخانه

اکوهیدرولوژی
مقاله 5، دوره 3، شماره 3، مهر 1395، صفحه 347-361    اصل مقاله (899.12 K)
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.22059/ije.2016.60024
نویسندگان
محمد ناظری تهرودی* 1؛ سید رضا هاشمی2؛ فرشاد احمدی3؛ زهرا ناظری تهرودی4
1دانشجوی دکتری منابع آب، دانشکدۀ کشاورزی، دانشگاه بیرجند
2استادیار دانشکدۀ کشاورزی، دانشگاه بیرجند
3دانشجوی دکتری منابع آب، دانشکدۀ علوم آب، دانشگاه شهید چمران اهواز
4دانشجوی دکتری آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه کاشان
چکیده
پیش‏بینی دقیق جریان رودخانه‏ها در مدیریت بهینۀ منابع آب‏های سطحی اهمیت به‏سزایی دارد. یافتن مدل مناسب برای پیش‏بینی دقیق این پارامتر یکی از راه‏های مهم اقدامات در شبیه‏سازی و پیش‏بینی است. در این مطالعه سه مدل ANFIS، SVM و GP برای مدل‏سازی دبی ماهانۀ رودخانۀ نازلوچای در محل ایستگاه هیدرومتری تپیک واقع در غرب دریاچۀ ارومیه تحت تأثیر بارش حوضۀ رودخانۀ مطالعه‌شده بررسی و مقایسه شد. در همۀ روش‏های یادشده الگوهای M1 تا M5 داده‏های دبی جریان با تأخیر یک تا پنج و الگوهای M6 تا M10 الگوی ترکیبی با داده‏های بارش و دبی و با تأخیرهای یک تا پنج ماه بررسی شدند. برای بررسی مقادیر خطای ناشی از مدل‏سازی از سه روش ضریب تبیین، مجذور میانگین مربعات خطا و معیار کارایی مدل استفاده شد. نتایج بررسی دقت و میزان خطای مدل‏ها نشان داد الگوی ترکیبی فقط در مدل SVM بهترین نتیجه را داده است و در دو مدل GP و ANFIS الگوهای تک‌سری بهترین نتیجه را ارائه کردند. از بین سه مدل بررسی‌شده، مدل ANFIS با الگوی ورودی چهار و پنج تأخیر بهترین نتیجه را داد. به‌طور کلی، نتایج نشان داد با به‌کارگیری مدل ANFIS در مدل‏سازی دبی جریان ماهانۀ رودخانۀ نازلوچای، خطای مدل نسبت به دو مدل GP و SVM به‌ترتیب حدود 23 و 3 درصد (در واحد دبی جریان) کاهش و دقت مدل نیز نسبت به دو مدل GP و SVM به‌ترتیب حدود 10 و 4 درصد افزایش می‏یابد.
 


 
کلیدواژه‌ها
الگوریتم ژنتیک؛ دبی جریان؛ دریاچۀ ارومیه؛ ماشین ‏بردار پشتیبان
مراجع

 

  1. Govindaraju RS. Artificial neural network in hydrology. Journal of hydrologic Engineering. 2000;5(2): 115-123.
  2. Koza JR. Genetic Programming: on the programming of computers by means of natural selection. Cambridge, MA: MIT Press. 1992.
  3. Alvisi S, Mascellani G, Franchini M, Bardossy A. Water level forecasting through fuzzy logic and artificial neural network approaches. J Hydrol Earth Sys Sci. 2005;2:1107-1145.
  4. Aytek A, Kisi O. A genetic programming approach to suspended sediment modeling. Journal of Hydrology. 2008;351: 288-298.
  5. Wang WC, Chau KW, Cheng CT, Qiu L. A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series. Journal of Hydrology. 2009;374: 294-306.
  6. Guven, A. Linear genetic programming for time-series modeling of daily flow rate. J Earth Syst. Sci. 2009;118 (2): 157-173.
  7. Ghorbani MA, Kisi O, Aalinezhad, M. A probe into the chaotic nature of daily stream flow time series by correlation dimension and largest Lyapunov methods. Applied Mathematical Modelling. 2012;34: 4050–4057.
  8. Zahiri A, Azamathulla HM. Comparison between linear genetic programming and M5 tree models to predict flow discharge in compound channels. Neural Comput & Applic. 2014;24:413–420.
  9. Vapnik VN. Statistical Learning Theory. Wiley, New York. 1998
10. Pai PF, Hong WC. A recurrent support vector regression model in rainfall forecasting. Hydrological Process. 2007;21: 819-827.

11. Hamel LH. Knowledge discovery with support vector machines (Vol. 3). John Wiley & Sons. 2011.

12. Adamowski J, Prasher SO. Comparison of machine learning methods for runoff forecasting in mountainous watersheds with limited data. Journal of Water and Land Development. 2012;17(8):89–97.

13. Choubey V, Mishra S, Pandy SK. Time Series Data Mining in Real Time Surface Runoff Forecasting through Support Vector Machine. International Journal of Computer Applications. 2014;98(3): 23-30.

14. Jang JSR. ANFIS: adaptive-network-based fuzzy inference system. Systems, Man and Cybernetics, IEEE Transactions on. 1993; 23(3): 665-685.

15. Nayak PC, Sudheer KP, Rangan DM, Ramasastre KS. A neuro-fuzzy computing technique for modeling hydrological time series. Journal of Hydrology. 2004;291(1-2):52–66

16. Sanikhani H. Kisi, O. River flow estimation and forecasting by using two different adaptive neuro-fuzzy approaches. Water Resources Management. 2012;26(6): 1715-1729.

17. Talei A, Chua LHC, Wong TSW. Evaluation of rainfall and discharge inputs used by Adaptive Network-based Fuzzy Inference Systems (ANFIS) in rainfall-runoff modeling. Journal of Hydrology. 2010;391(3-4): 248-262.

18. Ghose D, Panda P, Swain P. Prediction and optimization of runoff via ANFIS and GA. Alexandria Engineering Journal. 2013;52(2): 209-220.

19. Chen SH, Lin YH, Chang LC, Chang FG. The strategy of building a flood forecast model by neuro fuzzy network. Hydrological Processes. 2006;20(7): 1525- 1540.

20. He Z, Wen X, Liu H, Du J. A comparative study of artificial neural network, adaptive neuro fuzzy inference system and support vector machine for forecasting river flow in the semiarid mountain region. Journal of Hydrology. 2014;509:379–386

21. Karakus M, Tutmez B, Fuzzy and multiple regression modeling for evaluation of intact rock strength based on point load, Schmidt hammer and sonic velocity, Rock Mech. Rock Eng. 2006;39(1): 45–57.

22. Jang JSR. Fuzzy controllersbased on temporal back propagation, IEEE Trans. Neural Netw. 1992; 3:714–723.

23. Ferreira C. Gene Expression Programming: A New Adaptive Algorithm for Solving Problems. Complex Systems, forthcoming. 2001.

24. Hofmann T, Tsochantaridis I, Altun Y. Learning over structured output spaces via joint kernel functions. Sixth Kernel Workshop. 2002

25. Eskandari A, Nouri ;R, Meraji H, Kiaghadi A. Developing a Proper Model for Online Estimation of the 5-Day Biochemical Oxygen Demand Based on Artificial Neural Network and Support Vector Machine. J of Environment Studies. 2012;38(1):71-82 [Persian].

26. Nash JE, Sutcliffe JV. River flow forecasting through conceptual models part I — A discussion of principles. Journal of Hydrology. 1970;10(3): 282–290

27. Swinscow TDV, Campbell MJ. Statistics at Square One. London: BMJ Publication. 106 P. 2002.

28. Salas JD, Delleur JW, Yevjevich V, Lane WL. Applied Modeling of Hydrologic Time Series. Water resource Publications, P. O. Box 2841. Littleton, Colorado.80161, U.S.A. 1980; 484 P.

آمار
تعداد مشاهده مقاله: 1,523
تعداد دریافت فایل اصل مقاله: 1,090


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب