سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,532
تعداد مقالات70,501
تعداد مشاهده مقاله124,098,888
تعداد دریافت فایل اصل مقاله97,206,451
نیک پور, محمد رضا, ثانی خانی, هادی, محمودی بابلان, سجاد, محمدی, عارف. (1396). کاربرد مدل‏ های LS-SVM، ANN، WNN و GEP در شبیه‏ سازی بارش‌ـ رواناب رودخانۀ خیاوچای. , 4(2), 627-639. doi: 10.22059/ije.2017.61501
محمد رضا نیک پور; هادی ثانی خانی; سجاد محمودی بابلان; عارف محمدی. "کاربرد مدل‏ های LS-SVM، ANN، WNN و GEP در شبیه‏ سازی بارش‌ـ رواناب رودخانۀ خیاوچای". , 4, 2, 1396, 627-639. doi: 10.22059/ije.2017.61501
نیک پور, محمد رضا, ثانی خانی, هادی, محمودی بابلان, سجاد, محمدی, عارف. (1396). 'کاربرد مدل‏ های LS-SVM، ANN، WNN و GEP در شبیه‏ سازی بارش‌ـ رواناب رودخانۀ خیاوچای', , 4(2), pp. 627-639. doi: 10.22059/ije.2017.61501
نیک پور, محمد رضا, ثانی خانی, هادی, محمودی بابلان, سجاد, محمدی, عارف. کاربرد مدل‏ های LS-SVM، ANN، WNN و GEP در شبیه‏ سازی بارش‌ـ رواناب رودخانۀ خیاوچای. , 1396; 4(2): 627-639. doi: 10.22059/ije.2017.61501

کاربرد مدل‏ های LS-SVM، ANN، WNN و GEP در شبیه‏ سازی بارش‌ـ رواناب رودخانۀ خیاوچای

اکوهیدرولوژی
مقاله 27، دوره 4، شماره 2، تیر 1396، صفحه 627-639    اصل مقاله (441.21 K)
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.22059/ije.2017.61501
نویسندگان
محمد رضا نیک پور* 1؛ هادی ثانی خانی2؛ سجاد محمودی بابلان3؛ عارف محمدی3
1استادیار، گروه مهندسی آب، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی
2استادیار، گروه علوم و مهندسی آب، دانشکدۀ کشاورزی، دانشگاه کردستان
3کارشناس مهندسی آب، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی
چکیده
پیش‏بینی جریان رودخانه به‌منظور مدیریت و برنامه‏ریزی منابع آب در رودخانه‏ها، دریاچه‏ها، مخازن سدها و همچنین برای حفاظت کناره‏های رودخانه در زمان وقوع سیلاب انجام می‏گیرد. در این تحقیق از مدل‏های شبکه‏های عصبی مصنوعی، هیبرید‏ موجک‌ـ عصبی، برنامه‏ریزی بیان ژن و کمترین مربعات ماشین بردار پشتیبان به‌منظور تخمین جریان روزانۀ رودخانۀ خیاوچای استفاده شد. بدین‌منظور داده‏های دبی و بارش روزانۀ ایستگاه هیدرومتری پل سلطانی واقع بر رودخانۀ یادشده طی دورۀ آماری 1378‌ـ 1392 به‏کار گرفته شد. پس از محاسبۀ ضرایب همبستگی متقابل متغیرهای بارش و دبی، شش الگوی مختلف به‌منظور تخمین رواناب روزانه تعیین شد. برای ارزیابی مدل‏ها از شاخص‏های آماری و آزمون ANOVA استفاده شد. نتایج بیان‌کنندۀ برتری مدل هیبرید‏ موجک‌ـ عصبی با بیشترین ضریب همبستگی (877/0=R)، کمترین ریشۀ میانگین مربعات خطا (696/0=RMSE) و ضریب نش ساتکلیف برابر 767/0 در مرحلۀ صحت‏سنجی بود. نتایج آزمون آنوا نیز نتایج شاخص‏های آماری را تأیید کرد و مدل هیبرید موجک‌ـ عصبی با داشتن کمترین مقدار آمارۀ F (11/0) و بیشترین سطح معناداری (75/0) به‌عنوان بهترین مدل شناخته شد. در برآورد دبی بیشینه (سیلاب) نیز مدل یادشده با میانگین خطای نسبی 19/30 درصد، به مقدار شایان توجهی خطای کمتری نسبت به سایر مدل‏ها داشت.
 
 
 
 
 
 
 
کلیدواژه‌ها
بارش‌ـ رواناب؛ برنامه‏ ریزی بیان ژن؛ حداقل مربعات ماشین بردار پشتیبان؛ شبکۀ عصبی مصنوعی؛ هیبرید موجک- عصبی
مراجع

 

  1. Saeedi Farzad B. Intelligent simulation of rainfall-runoff using a semi-distributed model with time variables. Ph.D. thesis in civil engineering, Faculty of Engineering, University of Tabriz, Tabriz. 2014. [Persian]
  2. Whigham PA, Crapper PF. Modeling rainfall–runoff using genetic programming. Mathematical and Computer Modeling. 2001;33:707–721.
  3. Liong SY, Gautam TR, Khu ST, Babovic V, Keijzer M , Muttil N. Genetic programming: A new paradigm in rainfall runoff modeling. J Am Water Res Assoc. 2001;38:705-718.
  4. Jayawardena AW, Muttil N, Fernando TM. Rainfall-Runoff Modeling Using Genetic Programming. International Congress on Modeling and Simulation Society of Australia and New Zealand. 2005: 1841-1847.
  5. Aytek A, Alp M. An application of artificial intelligence for rainfall-runoff modeling. Journal of Earth System Science. 2008;117(2):145-155.
  6. Nourani V, Baghanam AH, Adamowski J, Gebremichael M. Using self-organizing maps and wavelet transforms for space–time pre-processing of satellite precipitation and runoff data in neural network based rainfall–runoff modeling. Journal of Hydrology. 2013;476:228-243.
  7. Nayak PC, Venkatesh B, Krishna B, Sharad KJ. Rainfall-runoff modeling using conceptual, data driven, and wavelet based computing approach. Journal of Hydrology. 2013;493:57-67.
  8. Badrzadeh H, Sarukkalige R, Jayawardena AW. Hourly runoff forecasting for flood risk management: Application of various computational intelligence models. Journal of Hydrolog. 2015;529:1633-1643.
  9. Nourani V. An Emotional ANN (EANN) approach to modeling rainfall-runoff process. Journal of Hydrology. 2016;544:267-277.
  10. Behzad M, Asghari K, Eazi M, Palhang M. Generalization performance of support vector machines and neural networks in runoff modeling. Expert Systems with applications. 2009;36(4):7624-7629.
  11. Botsis D, Latinopoulos P, Diamantaras K. Rainfall-Runoff Moeling Using Suport Vector Regression and Artificial Neural Networks. 12th International Conference on Environmental Science and Technology (CEST2011), Rhodes, Greece, 8-10 September. 2011
  12. Adamowski J. Using support vector regression to predict direct runoff, base flow and total flow in a mountainous watershed whit limited data in Uttaranchal, India. Journal of Land Reclamation. 2013;45(1):71-83.
  13. Ghorbani M. A., and Dehghani R. Application of Bayesian Neural Networks, Support Vector Machines and Gene Expression Programming Analysis of Rainfall - Runoff Monthly (Case Study: Kakarza River). Irrigation Science and Engineering. 2016;39(2):125-138. [Persian]
  14. Nazeri Tahroodi M, Hashemi R, Ahmadi F, Nazeri Tahroodi Z. Accuracy investigation of ANFIS, SVM and GP models in modelling of river discharge values. Journal of Echo Hydrology. 2016;3(3):361-347. [Persian]
  15. Vapnic VN. Statistical Learning Theory. Wiley, NEW YORK, USA. 1998
  16. Suykens JA, De Brabanter J, Lukas L, Vandewalle J. 2002. Weighted least squares support vector machines: robustness and sparse approximation. Neurocomputing. 2002;48(1):85-105.
  17. Ghafari G, Vafakhah M. Simulation of rainfall-runoff process using artificial neural network and adaptive neuro-fuzzy interface system (Case study: Hajighoshan watershed). Journal of Watershed Management Research. 2013;4(8):120-136. [Persian]
  18. Dehghani A, Zanganeh MA, Mosaedi A, Kouhestani N. Comparison of suspended load estimation using sediment rating curve and artificial neural networks. Journal of Researches on Water and Soil Conservation. 2009;16(1):30-41. [Persian]
  19. Nourani V, Hosseini Baghanam A, Adamowski J, Kisi, O. Applications of hybrid wavelet–Artificial Intelligence models in hydrology. A review. Journal of Hydrology. 2014;514(1):358-377.
  20. Marofi S, Amir Moradi K, Parsafar N. River flow prediction using Artificial Neural Network and Wavelet Neural Network models (Case study: Barandozchay River). Journal of Water and Soil Science. 2013;23(3):93-103. [Persian]
  21. Ferreira C. Gene Expression Programming: a New Adaptive Algorithm for Solving Problems. Complex Systems. 2001;13(2):87–129.
  22. Ferreira C. Automatically defined functions in gene expression programming. In Genetic Systems Programming. Springer Berlin Heidelberg. 2006:21-56.
Yu P. S., Chen S. T., and Chang I. F. Support vector regression for real-time flood stage forecasting. Journal of Hydrology. 2006;328(3):704-716

آمار
تعداد مشاهده مقاله: 1,599
تعداد دریافت فایل اصل مقاله: 1,319


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب