support vector regression
در نشریات گروه مهندسی آب-
پیش بینی مناسب بارش و دما با افق یک ماهه می تواند فرصتی استثنایی برای برنامه ریزی منابع آب و مقابله با سیل و خشکسالی در اختیار مدیران قرار دهد. اعمال روش های پس پردازش و اصلاح اریبی مناسب می تواند کارایی پیش بینی های عددی هواشناسی را تا حد قابل قبولی ارتقا بخشد. در این تحقیق ضمن ارزیابی پیش بینی های خام بارش و دمایS2S مرکز ECMWF در یکی از حوضه های آبریز مهم کشور، روش های متنوعی برای پس پردازش و اصلاح اریبی این پیش بینی ها مورد استفاده قرار گرفت و نتایج با معیارهای ارزیابی مختلف مقایسه گردید. تکنیک های نگاشت چندک (QM)، میانگین گیری مدل بیزین (BMA)، رگرسیون بردار پشتیبان (SVR)، رابطه تجربی اصلاح اریبی دما و روش های ترکیبی بر روی پیش بینی ها اعمال شد که از بین آن ها روش BMA هم در بهبود پیش بینی های دما و هم بارش اندکی موثرتر از سایر روش ها عمل نمود. در حالت خام، پیش بینی های بارش و دما تنها در 2 یا 3 ماه سال قابل استفاده ارزیابی شدند ولی اعمال روش های پس پردازش توانست دقت پیش بینی های بارش را در نیمی از ماه ها، به ویژه ماه های پرباران تا حد قابل قبولی ارتقا دهد و اعمال روش ترکیبی معادله تجربی-میانگین مدل بیزین در 10 ماه از سال با پیش بینی هایی بهتر از تخمین دمای ماه آتی با استفاده از آمار بلندمدت همراه بود.
کلید واژگان: پس پردازش پیش بینی های هواشناسی، اصلاح اریبی، میانگین گیری مدل بیزین، نگاشت چندک، رگرسیون بردار پشتیبانEfficient forecast of precipitation and temperature with a one-month horizon can provide managers with an exceptional opportunity to plan water resources and deal with floods and droughts. The application of proper post-processing and bias correction methods can much improve the accuracy of these predictions. In this study, the S2S (Sub seasonal to Seasonal) precipitation and temperature forecasts of ECMWF were evaluated in one of the important basins of Iran. A variety of methods were used for post-processing and bias correction of these predictions, and the results were compared with different evaluation criteria. Quantile mapping (QM), Bayesian model averaging (BMA), Support vector regression (SVR), an Empirical equation for bias correction of temperature, and some hybrid methods were applied to forecasts. The BMA outperformed the other methods in improving both temperature and precipitation forecasts. Raw precipitation and temperature forecasts were only applicable in 2 or 3 months of the year, but post-processing methods were able to accurately improve precipitation in half of the months, especially rainy months. The hybrid of empirical equation-BMA in 10 months of the year was led to better results than the estimate of the next month's temperature using climatological data.
Keywords: Post-processing, bias correction, Bayesian model averaging, Quantile Mapping, Support vector regression -
مجله آب و فاضلاب، پیاپی 126 (خرداد و تیر 1399)، صص 118 -129
پیش بینی هجوم آب شور به آبخوان ساحلی در اثر تغییر میزان برداشت از آب زیرزمینی یکی از پیش نیازهای مدیریت آب زیرزمینی است. این پژوهش قابلیت انواع مختلف مدل های ماشین بردار پشتیبان رگرسیونی (SVR) را برای پیش بینی میزان شوری در چاه پایش منتخب در یک آبخوان ساحلی کوچک تحت شرایط مختلف برداشت آب زیرزمینی بررسی می کند. مدل های SVR با مجموعه های ورودی (پمپاژگذرای تصادفی از چاه های آبده) حاصل از نمونه برداری ابرمکعب لاتین و خروجی (غلظت شوری در چاه پایش منتخب) آموزش یافته و آزمایش شدند. سپس، مدل های آموزش یافته و آزمایش شده برای پیش بینی میزان شوری در چاه پایش منتخب برای مجموعه داده های جدید پمپاژ استفاده شدند. قابلیت پیش بینی و تعمیم دهی عملی مدل ها در مقایسه با مدل رایج شبکه عصبی مصنوعی با استفاده از شاخص های ارزیابی مختلف بررسی شد. نتایج ارزیابی عملکرد مدل ها نشان داد که قابلیت پیش بینی مدل SVR چندجمله ای بر سایر مدل ها برتری دارد. همچنین همه مدل های SVR مورد بررسی به جز مدل SVR خطی، پیشروی آب شور را به طور قابل قبولی پیش بینی کردند. قابلیت پیش بینی و تعمیم دهی مدل های SVR چندجمله ای، استفاده از آنها را برای اتصال به الگوریتم بهینه سازی در شیوه بهینه سازی- شبیه سازی مبتنی بر مدل جانشین برای مدیریت آبخوان های ساحلی توصیه می کند.
کلید واژگان: آبخوان ساحلی، پیشروی آب شور، مدل جانشین، ماشین بردار پشتیبان رگرسیونی، قابلیت پیش بینیThe prediction of the intrusion of saline water into coastal aquifers as a result of changing the amount of groundwater extractions is a prerequisite for managing groundwater. This study investigates the capability of different types of Support Vector Regression (SVR) models to predict salinity concentrations at the selected well in the small coastal aquifer under different groundwater abstraction conditions. SVR models were trained and tested using input (random transient pumping from the production wells) derived from Latin Hypercube Sampling and output (salinity concentration at the selected well) datasets. The trained and tested models were then used to predict salinity concentrations at the selected well for new pumping datasets. The models ability for predicting and generalizing compared with commonly used artificial neural network (ANN) model was evaluated using different performance criteria. The results of the performance evaluation of the models showed that the predictive capability of the polynomial SVR model is superior to other models. Also, comparing different performance criteria for all SVR models, except for linear SVR model, proved their acceptable predictive performance. The prediction and generalisation ability of polynomial SVR, recommends using these models to connect to the optimization algorithm for a surrogate model based simulation-optimization approach in sustainable management of coastal aquifers.
Keywords: Coastal Aquifers, Saltwater intrusion, Surrogate Models, Support vector regression, Prediction Capability -
برآورد دقیق مقدار رسوبات حمل شده توسط رودخانه ها، در مدیریت منابع آب از اهمیت بسیاری برخوردار است. بنابراین شناسایی و پیشنهاد مدلهای مناسب جهت برآورد رسوب معلق از اهداف مهم تلقی میشود که استفاده از روش نوین مدلهای هوشمند از جمله شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان در این زمینه تحول عظیمی وجود آورده است. یک گام مهم در مدلسازی رسوب معلق با استفاده از این مدلها، انتخاب ورودی های مناسب میباشد، زیرا ساختار و نتایج مدل را تحت تاثیر قرار میدهند. با توجه به اینکه در اکثر مطالعات در زمینه برآورد رسوب معلق با استفاده از مدلهای داده محور، تنها از متغیرهای اقلیمی و هیدرولوژیکی به عنوان متغیرهای تخمینگر استفاده گردیده است. بنابراین پژوهش حاضر به منظور تعیین متغیرهای ژئومورفولوژیکی اثرگذار و قابل دسترس در تخمین رسوب معلق در حوضه آبخیز تمر طراحی گردید. برای دستیابی به این هدف، نقش شاخص اتصال رسوبی به عنوان یک ورودی هیدروژئومورفیک علاوه بر ورودی های هیدرولوژیکی با استفاده از مدلهای مذکور در تخمین رسوب معلق مورد ارزیابی قرار گرفت. مقایسه نتایج الگوهای ورودی مختلف نشان داد که شاخص اتصال رسوبی به همراه متغیرهای هیدرولوژیکی کارایی مدلها را بهبود میدهد و این بهبود به صورت کاهش (9/63% و 26/36%) در مجذور میانگین مربعات خطا و افزایش قابل توجه (25/80% و 21/85%) در ضریب کارایی ناش_ساتکلیف و (13/20% و 45/94%) در ضریب تبیین به ترتیب در مدلهای شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان میباشد. نتایج این پژوهش با توجه به برآورد دقیقتر رسوب معلق در طراحی و مدیریت منابع آب با ارزش میباشد.کلید واژگان: مدلسازی رسوب معلق، شبکه عصبی مصنوعی، رگرسیون بردار پشتیبان، شاخص اتصال رسوبیAccurate estimation of transported sediment by rivers plays an important role in water resources management. So the selection of proper methods for estimation of suspended sediment is an important objective. In this regard, application of intelligence models (e.g., ANN, SVR) have substantially improved the prediction of suspended sediment. An important step in suspended sediment modeling using these models is, the proper input selection because input vectors determine the structure of the model and, hence, can influence model results. In the most studies, only climatic and hydrological variables have been used as suspended sediment estimators using data-driven models. Therefore, this study was designed to determine effective and accessible geomorpholigical variables based on hydrologic understanding in suspended sediment estimation for the Tamar catchment. To accomplish this goal, the effect of an Index of Connectivity (IC) as a hydrogeomorphic input, in addition to the hydrologic inputs, using ANN and SVR models was investigated. Comparison of results indicated that using IC along with hydrological inputs improve models efficiency and this improvement is indicated by decrease in the root mean squared error (9.63% and 26.36%) and a noticeable increase in the Nash–Sutcliffe efficiency (25.80% and 21.85%) and in the coefficient of determination (13.20% and 45.94%) for ANN and SVR models, respectively. These results are valuable for water resources planning and management.Keywords: Suspended sediment modeling, Artificial Neural Network, Support vector regression, Index of Sediment Connectivity
-
در این پژوهش فرایند استخراج فنل از فاضلاب با استفاده از روش های هوشمند مدل سازی شد. از روش های هوشمند شامل شبکه پرسپترون چندلایه، شبکه بر پایه توابع شعاعی و ماشین بردار رگرسیونی برای مدل سازی استفاده شد. طراحی ساختار بهینه شبکه ها از 184 مجموعه داده تجربی انجام شد. ورودی های شبکه شامل حجمی آلی به آبی، سرعت روتور، دما، pH و زمان و خروجی شبکه بازده استخراج فنل بود. برای ارزیابی عملکرد و توقف شبکه ها از ضریب تعیین و میانگین مربع خطا برای هر سه مدل استفاده شد. مقایسه نتایج کلیه مدل ها نشان داد که مدل ماشین بردار رگرسیونی با میانگین مربع خطا برابر 684/0 و ضریب بهترین مدل است. پارامترهای بهینه فرایند شامل نسبت حجمی آلی به آبی 22/0، سرعت روتور 350 دور در دقیقه، دما 86/22 درجه سلسیوس،pH برابر 7/5، زمان 86/15 دقیقه و بازده استخراج متناظر 35/96 به دست آمد.کلید واژگان: مدل سازی حذف فنل، شبکه پرسپترون چندلایه، شبکه بر پایه توابع شعاعی، ماشین بردار رگرسیونیIn this study, the extraction of phenol from wastewater was simulated using intelligent methods which include multi-layer perceptron, radial basis functions network, and support vector regression. To design the network structure and to train and test it, 184 experimental data sets were used. Inputs to the network consisted of organicaqueous volume ratio, rotor speed, temperature, pH, and time while extraction efficiency was the output. Root mean square error and correlation coefficient were used in all the three models as network performance and network stop criteria. Comparison of the results obtained from the three models revealed that the support vector regression was the best model with a correlation coefficient of 0.684 and a root mean square error of 0.99. Moreover, model results showed good agreement with experimental data. Optimal process operational parameters included an organic to aqueous volume ratio of 0.22, a rotor speed of 350 rpm, a temperature of 22.86 °C, a pH equal to 7.5, and an agitation time of 15.86 minutes; the corresponding extraction efficiency was obtained to be 96.35.Keywords: Modeling Phenol Removal, Multilayer Perceptron Network, Radial Basis Function Network, Support vector regression
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.