تعداد نشریات | 161 |
تعداد شمارهها | 6,573 |
تعداد مقالات | 71,032 |
تعداد مشاهده مقاله | 125,502,409 |
تعداد دریافت فایل اصل مقاله | 98,766,507 |
بهینهسازی شبکه ANFIS برای شبیهسازی دراز مدت بارندگی شهر بابلسر | ||
تحقیقات آب و خاک ایران | ||
دوره 52، شماره 8، آبان 1400، صفحه 2111-2123 اصل مقاله (1.77 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ijswr.2021.323558.668970 | ||
نویسندگان | ||
علی جمالوندی1؛ بهروز یعقوبی* 2؛ محمد علی ایزدبخش2؛ سعید شعبانلو2 | ||
1دانشجوی دکتری منابع آب، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران | ||
2گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران | ||
چکیده | ||
در این مطالعه، مقادیر بارندگی دراز مدت شهر بابلسر در یک بازه زمانی 68 ساله از سال 1951 تا 2019 با استفاده از یک مدل هوش مصنوعی ترکیبی بهینهیافته شبیهسازی شد. برای توسعه مدل ترکیبی، شبکه انفیس با تبدیل موجک ترکیب شدند. در ابتدا، با استفاده از تابع خودهمبستگی، تاخیرهای موثر دادههای سری زمانی شناسایی شدند. سپس با استفاده از این تاخیرها، شش مدل انفیس تعریف گردید. با اجرای یک تحلیل حساسیت، بهترین مدل انفیس معرفی شد. مقادیر ضریب همبستگی (R)، شاخص عملکرد (VAF) و شاخص پراکندگی (SI) برای وضعیت آزمون مدل برتر انفیس بهترتیب برابر با 612/0، 029/37 و 761/0 محاسبه شدند. علاوه بر این، تجزیه و تحلیل نتایج مدلسازیها نشان داد که تاخیرهای شماره (t-1)، (t-2)، (t-12) و (t-36) تاثیرگذارترین تاخیرهای دادههای سری زمانی بودند. در انتها، مدل ترکیبی برتر برای سه سطح تجزیه مختلف مورد ارزیابی قرار گرفت که بهترین نتایج برای سطح تجزیه دوم بدست آمد. در حالت آزمون مقادیر R و VAF و SI برای مدل برتر ترکیبی بهترتیب مساوی با 972/، 455/94 و 226/0 بودند. بنابراین، نتایج شبیهسازیها نشان داد که تبدیل موجک دقت مدلسازی را به شکل قابل توجهی افزایش داد. | ||
کلیدواژهها | ||
بارش دراز مدت؛ بابلسر؛ انفیس؛ تبدیل موجک؛ بهینهسازی | ||
مراجع | ||
Azad, A., Manoochehri, M., Kashi, H., Farzin, S., Karami, H., Nourani, V., & Shiri, J. (2019). Comparative evaluation of intelligent algorithms to improve adaptive neuro-fuzzy inference system performance in precipitation modelling. Journal of Hydrology, 571, 214-224. Azimi, H., Bonakdari, H., Ebtehaj, I., & Michelson, D. G. (2018). A combined adaptive neuro-fuzzy inference system–firefly algorithm model for predicting the roller length of a hydraulic jump on a rough channel bed. Neural Computing and Applications, 29(6), 249-258. Babaali, H.R., & Dehghani, R. (2017). Compare intelligent models to Estimate monthly Precipitation Kakareza Basian, Iranian journal of Ecohydrology, 4(1), 1-11. doi: 10.22059/ije.2017.60911. Ghorbani, M., Azani, A., & Mahmoudi Vanolya, S. (2015). Rainfall-Runoff Modeling Using Hybrid Intelligent Models. Iran Water Resources Research, 11(2), 146-150. Jang JSR. 1993 ANFIS: adaptive-network-based fuzzy inference system. IEEE Trans. Syst. Manag. Cyber., 23(3): 665-685. Khalili, N., Khodashenas, S.R., Davari, K., & Mousavi Bayegi, M. (2008). Prediction of daily precipitation using artificial natural networks, case study: synoptic station of Mashhad. Watershed research,89-99. Maqsood, I., Khan, M.R., & Abraham, A. (2004). An ensemble of neural networks for weather forecasting. Neural Computing & Applications, 13(2), 112-122. Mehr, A. D., Nourani, V., Khosrowshahi, V. K., & Ghorbani, M. A. (2019). A hybrid support vector regression–firefly model for monthly rainfall forecasting. International Journal of Environmental Science and Technology, 16(1), 335-346. Mekanik, F., Imteaz, M. A., Gato-Trinidad, S., & Elmahdi, A. (2013). Multiple regression and Artificial Neural Network for long-term rainfall forecasting using large scale climate modes. Journal of Hydrology, 503, 11-21. Mendel, J. M. (2017). Uncertain rule-based fuzzy systems. In Introduction and new directions (p. 684). Springer International Publishing. Mislan, H., Hardwinarto, S., & Sumaryono, M. A. (2015). Rainfall monthly prediction based on artificial neural network: a case study in Tenggarong Station, East Kalimantan-Indonesia. Procedia Computer Science, 59, 142-151. Nasseri, M., Asghari, K., & Abedini, M. J. (2008). Optimized scenario for rainfall forecasting using genetic algorithm coupled with artificial neural network. Expert Systems with Applications, 35(3), 1415-1421. Nourani, V., Hosseini Baghanam, A., Adamowski, J., Kisi, O. (2014). Applications of hybrid wavelet–Artificial Intelligence models in hydrology: A review. Journal of Hydrology 514: 358–377. Poursaeid, M., Mastouri, R., Shabanlou, S., & Najarchi, M. (2021). Modelling qualitative and quantitative parameters of groundwater using a new wavelet conjunction heuristic method: wavelet extreme learning machine versus wavelet neural networks. Water and Environment Journal, 35(1), 67-83. Riad, S., Mania, J., Bouchaou, L., & Najjar, Y. (2004). Rainfall-runoff model usingan artificial neural network approach. Mathematical and Computer Modelling, 40(7-8), 839-846. Xiang, Y., Gou, L., He, L., Xia, S., & Wang, W. (2018). A SVR–ANN combined model based on ensemble EMD for rainfall prediction. Applied Soft Computing, 73, 874-883.
| ||
آمار تعداد مشاهده مقاله: 298 تعداد دریافت فایل اصل مقاله: 267 |