دانشگاه آزاد اسلامی واحد علوم و تحقیقات

 آمار

تعداد نشریات50
تعداد شماره‌ها2,232
تعداد مقالات20,475
تعداد مشاهده مقاله25,241,928
تعداد دریافت فایل اصل مقاله22,893,603
کریمی, حامد, ایزدبخش, محمد علی, یعقوبی, بهروز, شعبانلو, سعید. (1400). شبیه‌سازی بارش دراز مدت شهر بابلسر توسط مدل بهینه‌یافته موجک – ماشین آموزش نیرومند. , 10(4), 1-14. doi: 10.30495/wsrcj.2021.18077
حامد کریمی; محمد علی ایزدبخش; بهروز یعقوبی; سعید شعبانلو. "شبیه‌سازی بارش دراز مدت شهر بابلسر توسط مدل بهینه‌یافته موجک – ماشین آموزش نیرومند". , 10, 4, 1400, 1-14. doi: 10.30495/wsrcj.2021.18077
کریمی, حامد, ایزدبخش, محمد علی, یعقوبی, بهروز, شعبانلو, سعید. (1400). 'شبیه‌سازی بارش دراز مدت شهر بابلسر توسط مدل بهینه‌یافته موجک – ماشین آموزش نیرومند', , 10(4), pp. 1-14. doi: 10.30495/wsrcj.2021.18077
کریمی, حامد, ایزدبخش, محمد علی, یعقوبی, بهروز, شعبانلو, سعید. شبیه‌سازی بارش دراز مدت شهر بابلسر توسط مدل بهینه‌یافته موجک – ماشین آموزش نیرومند. , 1400; 10(4): 1-14. doi: 10.30495/wsrcj.2021.18077

شبیه‌سازی بارش دراز مدت شهر بابلسر توسط مدل بهینه‌یافته موجک – ماشین آموزش نیرومند

حفاظت منابع آب و خاک (علمی - پژوهشی)
دوره 10، شماره 4، مرداد 1400، صفحه 1-14  XML اصل مقاله (1.07 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.30495/wsrcj.2021.18077
نویسندگان
حامد کریمی1؛ محمد علی ایزدبخش email orcid 2؛ بهروز یعقوبیorcid 2؛ سعید شعبانلوorcid 2
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، بارندگی دراز مدت شهر بابلسر توسط یک مدل هوش مصنوعی بهینه یافته شبیه‌سازی شد. برای اینکار، ماشین آموزش نیرومند (ELM) و تبدیل موجک (wavelet transform) با همدیگر ترکیب شدند. لازم به ذکر است که مقادیر بارندگی‌ها به‌صورت ماهیانه از سال 1951 تا 2019 بکار گرفته شدند که 70 درصد آنها برای آموزش این مدل هوش مصنوعی و 30 درصد باقیمانده برای آزمون آن استفاده گردید. در ابتدا، توابع فعال‌سازی مدل ماشین آموزش نیرومند مورد بررسی قرار گرفتند که بهترین آن شامل تابع فعال‌سازی sigmoid انتخاب شد. همچنین، تاخیرهای داده‌های سری زمانی با استفاده از تابع خود همبستگی معرفی شدند که با استفاده از این تاخیرها، چهار مدل ماشین آموزش نیرومند تعریف گردید. با اجرای یک تحلیل حساسیت، مدل برتر ELM معرفی شد. مقادیر ضریب همبستگی (R)، شاخص عملکرد (VAF) و شاخص پراکندگی (SI) برای مدل برتر ELM به‌ترتیب مساوی با 524/0، 064/27 و 819/0 محاسبه شدند. علاوه بر این، موجک‌های مادر مختلف مورد بررسی قرار گرفتند که dmey به‌عنوان بهترین موجک مادر انتخاب شد. تبدیل موجک دقت مدل‌سازی را به شکل قابل توجهی افزایش داد. به‌عنوان مثال، شاخص عملکرد مدل ترکیبی WELM مساوی با 461/86 بدست آمد. لازم به ذکر است که مدل ترکیبی نیز برای سه سطح تجزیه مختلف مورد بررسی قرار گرفت که بهترین سطح تجزیه مدل ترکیبی معرفی گردید. لازم به ذکر است که تاخیرهای شماره (t-1) و (t-12) به‌عنوان موثرترین تاخیرهای داده‌های سری زمانی شناسایی شدند.
کلیدواژه‌ها
بارندگی؛ بابلسر؛ شبیه‌سازی؛ ماشین آموزش نیرومند؛ تبدیل موجک
مراجع
باباعلی، ح. و دهقانی، ر. 1391 . مقایسه مدل های هوشمند در تخمین بارش ماهانۀ حوضۀ کاکارضا. اکولوژی، 1(4): 1-11.

دهقانی، ن.، وفاخواه، م. و بهره مند، ع. 1392 . مدل سازی بارش رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی - عصبی تطبیقی در حوزه آبخیز کسیلیان. پژوهشنامه مدیریت حوزه آبخیز، 7 (13): 128-137.

Chang, T. K., Talei, A., Quek, C. and Pauwels, V. R. 2018. Rainfall-runoff modelling using a self-reliant fuzzy inference network with flexible structure. Journal of hydrology, 564: 1179-1193.
Dabral, P. P. anf Murry, M. Z. 2017. Modelling and forecasting of rainfall time series using SARIMA. Environmental Processes, 4(2): 399-419.
Hardwinarto, S. and Aipassa, M. 2015. Rainfall monthly prediction based on artificial neural network: A case study in Tenggarong Station, East Kalimantan-Indonesia. Procedia Computer Science, 59: 142-151.
Huang, G.-B., Zhu, Q.-Y. and Siew, C.-K. 2006. Extreme learning machine: theory and applications. Neurocomputing 70:489–501.
Mallat, S. 1989. Multiresolution approximations and wavelet orthonormal bases of L2(R). Trans. Am. Math. Soc. 315 (1):69–87.
Mehr, A. D., Nourani, V., Khosrowshahi, V. K. and 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.
Nagahamulla, H. R., Ratnayake, U. R. and Ratnaweera, A. 2012. An ensemble of artificial neural networks in rainfall forecasting. In International Conference on Advances in ICT for Emerging Regions (ICTer2012) (pp. 176-181). IEEE.
Nasseri, M., Asghari, K. and 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. and Kisi, O. 2014. Applications of hybrid wavelet–Artificial Intelligence models in hydrology: A review. Journal of Hydrology 514: 358–377.
Nourani, V., Kaynejad, M.A. and Malekani, L. 2009. Application of neuro- fuzzy inference system in rainfall-runoff modeling. Journal of Civil of Engineering & Environment, 39(4): 75-81.
Savic, D. A., Walters, G. A. and Davidson, J. W. 1999. A genetic programming approach to rainfall-runoff modelling. Water Resources Management, 13(3), 219-231.
Wong, K. W., Wong, P. M., Gedeon, T. D. and Fung, C. C. 2003. Rainfall prediction model using soft computing technique. Soft Computing, 7(6): 434-438.

آمار
تعداد مشاهده مقاله: 300
تعداد دریافت فایل اصل مقاله: 188


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب