
تعداد نشریات | 162 |
تعداد شمارهها | 6,693 |
تعداد مقالات | 72,239 |
تعداد مشاهده مقاله | 129,228,532 |
تعداد دریافت فایل اصل مقاله | 102,060,258 |
بررسی عملکرد مدل هیبریدی ماشین بردار پشتیبان- موجک درپیشبینی توفانهای گردوغبار (مطالعۀ موردی: استان سیستان و بلوچستان) | ||
مدیریت مخاطرات محیطی | ||
مقاله 1، دوره 7، شماره 4، دی 1399، صفحه 331-351 اصل مقاله (1.08 M) | ||
نوع مقاله: پژوهشی کاربردی | ||
شناسه دیجیتال (DOI): 10.22059/jhsci.2021.314582.614 | ||
نویسندگان | ||
محمد انصاری قوجقار1؛ جواد بذرافشان* 2؛ شهاب عراقی نژاد2؛ احسان پارسی3؛ شکور سلطانی4 | ||
1دانشجوی دکتری گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
2دانشیار گروه مهندسی آبیاری و آبادانی، دانشکدۀ مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
3کارشناس مطالعات، شرکت مهندسین مشاور آب و انرژی اروند، اهواز، ایران | ||
4کارشناس آب وزارت نیرو، تهران، ایران | ||
چکیده | ||
بهمنظور کنترل و مدیریت صحیح توفانهای گردوغبار، آگاهی از تغییرات زمانی این پدیده و لزوم پیشبینی و مدلسازی آن ضروری است. در این پژوهش بهمنظور پیشبینی متغیر فراوانی روزهای همراه با توفان گردوغبار (FDSD)، نتایج دو روش هیبریدی با نام ماشین بردار پشتیبان- موجک (W-SVM) و ماشین بردار پشتیبان- الگوریتم گیاهان مصنوعی (AF-SVM) بههمراه مدل انفرادی ماشین بردار پشتیبان (SVM)، مقایسه شد. بدین منظور از دادههای ساعتی گردوغبار و کدهای سازمان جهانی هواشناسی در مقیاس فصلی با طول دورۀ آماری چهلساله (2018-1980) در پنج ایستگاه سینوپتیک منتخب استان سیستان و بلوچستان استفاده شد. معیارهای ضریب تبیین، ریشۀ میانگین مربعات خطا، میانگین قدرمطلق خطا و ضریب نشساتکلیف برای ارزیابی و مقایسۀ مدلها، استفاده شد. نتایج در مرحلۀ آموزش و آزمایش نشان داد که ساختارهای ترکیبی استفادهشده، نتایج قابل قبولی در مدلسازی شاخص FDSD ارائه میکنند. مدل هیبریدی ماشین بردار پشتیبان- موجک با ضریب همبستگی (984/0-911/0R2=)، ریشۀ میانگین مربعات خطا (day 314/0-397/0RMSE=)، میانگین قدر مطلق خطا (day 335/0-236/0MAE=) و ضریب نشساتکلیف (965/0-924/0NS=)، عملکرد بهتری نسبت به دیگر مدلهای استفادهشده در پیشبینی شاخص FDSD داشته است. نتایج این تحقیق میتواند در مدیریت پیامدهای ناشی از توفانهای گردوغبار و برنامههای مقابله با بیابانزایی در مناطق تحت مطالعه مؤثر واقع شود. | ||
کلیدواژهها | ||
الگوریتم گیاهان مصنوعی؛ پیشبینی؛ سیستان و بلوچستان؛ ماشین بردار پشتیبان | ||
مراجع | ||
[1]. آذرپیرا، فریبا؛ و شهابی، سجاد (1399). «پیشبینی جریان با استفاده از رویکرد تلفیقی موجک- برنامهریزی بیان ژن و ارزیابی تأثیر پارامترهای هواشناسی بر کارایی آن»، مدیریت آب و آبیاری، دورۀ 10، شمارۀ 2، ص 279-265. [2]. پسندیده، ایرج؛ ایزدبخش، محمدعلی؛ و شعبانلو، سعید (1398). «برآورد بارش درازمدت شهر انزلی توسط مدل ترکیبی سیستمهای استنتاج فازی عصبی تطبیقی و تبدیل موجک»، تحقیقات آب و خاک ایران، دورۀ 50، شمارۀ 7، ص 1745-1733. [3]. دهقانی، رضا؛ ترابیپوده، حسن؛ یونسی، حجتالله؛ و شاهینژاد، بابک (1399). «بررسی عملکرد مدل هیبریدی ماشین بردار پشتیبان- الگوریتم گیاهان مصنوعی در تخمین جریان روزانۀ رودخانهها؛ مطالعۀ موردی: حوضۀ دز، تحقیقات منابع آب ایران، دورۀ 16، شمارۀ 2، ص 149-132. [4]. شاهینژاد، بابک؛ و دهقانی، رضا (1397). «مقایسۀ مدلهای شبکۀ عصبی موجک، ماشین بردار پشتیبان و برنامهریزی بیان ژن در تخمین میزان اکسیژن محلول در آب رودخانهها»، تحقیقات منابع آب ایران، دورۀ 14، شمارۀ 3، ص 238- 226. [5]. عبدالشاهنژاد، مهسا؛ خسروی، حسن؛ نظریسامانی، علیاکبر؛ زهتابیان، غلامرضا؛ و علمبیگی، امیر (1399). «تعیین چارچوب مفهومی ریسک گردوغبار برمبنای سنجش تابآوری (بررسی موردی: جنوب غرب کشور)»، پژوهشهای راهبردی در علوم کشاورزی و منابع طبیعی، سال پنجم شمارۀ ۱، ص ۳۳. [6]. عراقینژاد، شهاب؛ انصاری قوجقار، محمد؛ پورغلام آمیجی، مسعود؛ لیاقت، عبدالحمید؛ و بذرافشان، جواد (1397). «تأثیر نوسانات اقلیمی بر فراوانی توفانهای گردوغبار در ایران»، مهندسی اکوسیستم بیابان، دورۀ ۷، شمارۀ ۲۱، ص 32-13. [7]. فرجزاده اصل، منوچهر؛ و علیزاده، خاطره (1390). «تحلیل زمانی و مکانی توفانهای گردوخاک در ایران»، برنامهریزی و آمایش فضا، دورۀ 15، شمارۀ 1. ص 84-65. [8]. نیکپور، محمدرضا؛ ثانیخانی، هادی؛ محمودی بابلان، سجاد؛ و محمدی، عارف (1396). «کاربرد مدلهای LS-SVM، ANN، WNN و GEP در شبیهسازی بارشـ رواناب رودخانۀ خیاوچای». اکوهیدرولوژی، دورۀ 4، شمارۀ 2، ص 639-627. [9]. یارمرادی، زهرا؛ نصیری، بهروز؛ کرمپور، مصطفی؛ و حسنمحمدی، غلام (1397). «تحلیل روند فراوانی روزهای گردوغباری در نیمۀ شرقی ایران در ارتباط با نوسانات اقلیمی»، مهندسی اکوسیستم بیابان، دورۀ 7، شمارۀ 18، ص 14-1. [10]. Alizadeh, F.; Gharamaleki, A.; Jalilzadeh, M.; & Akhoundzadeh, A. (2020). “Prediction of river stage discharge process based on a conceptual model using EEMD-WT-LSSVM approach”, Water Resources, 47, pp :41-53. [11]. Basak, D.; Pal, S.; & Patranabis, D.C. (2007). “Support vector regression”, Neural Information Processing 11, pp: 203- 225. [12]. Cartlidge, J. P.; & Bulloc, S.G. (2004). “Combating coevolutionary disengagement by reducing parasite virulence”, Evolutionary Computation, 12(2), pp: 193-222. [13]. Cheng, L.; Wu, X.; & Wang, Y. (2018). “Artificial Flora (AF) optimization algorithm”, Applied Science, 329(8), pp: 2- 22. [14]. Darvishi-Boloorani, A.; Nabavi, S.; Azizi, R.; & Bahrami, H. )2013(. “Characterization of dust storm sources in western Iran using a synthetic approach”, Advances in Meteorology, Climatology and Atmospheric Physics, Springer, Part of the series Springer Atmospheric Sciences,pp: 415-420. [15]. Ekhtesasi, M.; & Gohari, Z. )2013(. “Determining area affected by dust storms in different wind speeds, using satellite images (case study: Sistan plain, Iran)”, Desert, 17, pp: 193-202. [16]. Goudie, A. S.; & Middleton, N. J. (2006). “Desert dust in the global system”, Springer Science & Business Media. [17]. Ghorbani, M.A.; Khatibi, R.; Karimi, V.; Yaseen, Z.M.; & Zounemat-Kermani, M. (2018). “Learning from multiple models using artificial intelligence to improve model prediction accuracies: Application to River Flows”, Water Resour Management, 32(13), pp: 4201-4215. [18]. Hamidi, M.; Kavianpour, M.R.; & Shao, Y. )2014(. “Numerical simulation of dust events in the Middle East”, Aeolian Research, 13, pp: 59–70. [19]. Hillis, W. D. (1990). “Co-evolving parasites improve simulated evolution as an optimization procedure”, Physica D: Nonlinear Phenomena, 42, pp: 228–234. [20]. Huang, S.; Chang, J.; Huang, Q.; & Chen, Y. (2014). “Monthly streamflow prediction using modified emd-basedsupport vector machine”, Journal of Hydrology, 511(4), pp: 764-775. [21]. Misra, D.; Oommen, T.;, Agarwa, A.; Mishra, S.K.; & Thompson, A. M. (2009). “Application and analysis of supportvector machine based simulation for runoff andsediment yield”, Biosystems Engineering, 103(3), pp: 527–535. [22]. O’Loingsigh, T.; McTainsh, G. H.; Tews, E. K.; Strong, C. L.; Leys, J. F.; Shinkfield, P.; & Tapper, N. J. (2014). “The Dust Storm Index (DSI): a method for monitoring broadscale wind erosion using meteorological records”, Aeolian Research, 12, pp: 29-40. [23]. Pagie, L.; & Mitchell, M. A. (2002). “Comparison of evolutionary and coevolutionary search”, International Journal of Computational Intelligence and Application, 2, pp: 53–69. [24]. Rashki, A.; Kaskaoutis, D. G.; Goudie, A. S.; & Kahn, R. A. (2013). “Dryness of ephemeral lakes and consequences for dust activity, the case of the Hamoun drainage basin, southeastern Iran”, Science of the Total Environment, 463, 552-564. [25]. Rosin, C. D.; & Belew, R .K. (1995). Methods for competitive co-evolution. Finding Opponents Worth Beating in Proceedings of the International Conference on Genetic Algorithms Pittsburgh, 373–381. [26]. Shao, Y.; Wyrwoll, K. H.; Chappell, A.; Huang, J.; Lin, Z.; McTainsh, G. H.; & Yoon, S. (2011). “Dust cycle: An emerging core theme in Earth system science”, Aeolian Research, 2(4), pp: 181-204. [27]. Vapnik V. N. (1995). The nature of statistical learning theory, Springer, New York. [28]. Wang, D.; Safavi, A. A.; & Romagnoli, J .A. (2000). “Wavelet based adaptive robust M-estimator for non-linear system identification”, AIChE Journal, 46(4), pp:1607- 1615. [29]. Wiegand, R. P.; & Sarma, J. (2004). “Spatial Embedding and loss of gradient in cooperative coevolutionary algorithms”, In roceedings of the International Conference on Parallel Problem Solving from Nature, Berlin Germany 43, pp: 912–921. [30]. Williams, N.; & Mitchell, M. (2005). “Investigating the success of spatial coevolution”, In Proceedings of the 7th Annual Conference on Genetic and Evolutionary Computation Washington, 46, pp: 523–530. [31]. Yoon, H.; Jun, S. C.; Hyun, Y.; Bae, G.O. & Lee, K. K. (2011). “Acomparative study of artificial neural networks andsupport vector machines for predicting groundwaterlevels in a coastal aquifer”, Journal of Hydrology,396(4), pp:128–138 [32]. Zhu, Y. M.; Lu, X. X.; & Zhou, Y. (2007). “Suspended sediment flux modeling with artificial neural network: An example of the longchuanjiang river in the upper yangtze catchment”, Geomorphology, 84(4), pp:111-125. | ||
آمار تعداد مشاهده مقاله: 609 تعداد دریافت فایل اصل مقاله: 461 |