جستجوی مقالات مرتبط با کلیدواژه
m5 algorithm
در نشریات گروه کشاورزی
تکرار جستجوی کلیدواژه m5 algorithm در مقالات مجلات علمی
-
برآورد بار رسوب معلق یکی از مهم ترین و پیچیده ترین بحث های هیدرولیک رسوب و مهندسی رودخانه به حساب می آید. بر همین اساس روش های متعددی جهت برآورد بار معلق رسوب ارائه شده که با توجه به تجربی بودن این روش ها، دقت پایینی داشته و نتایج روش های مختلف تفاوت زیادی با یکدیگر دارند. امروزه با پیشرفت علوم رایانه ای الگوریتم های متنوعی ابداع شده که از آن جمله می توان به الگوریتم های درختی اشاره کرد. در تحقیق حاضر ضمن بررسی روش منحنی سنجه رسوب، از الگوریتم درختی M5 و برنامه ریزی ژنتیک(GP)به عنوان روش های نوین جهت برآورد بار معلق رسوب استفاده شده است. اطلاعات مورد استفاده شامل دبی جریان آب و دبی رسوب مربوط به پنج ایستگاه آب سنجی بهبهان و چم نظام بر روی رودخانه مارون، جوکنک بر روی رودخانه الله و مشراگه و شادگان بر روی رودخانه جراحی در استان خوزستان است. در تمامی ایستگاه ها دقت دو مدل درختی از منحنی سنجه رسوب بیشتر بوده و مقدار مجموع مربعات خطا در تمامی ایستگاه ها جهت مدل M5 به میزان 7 الی 41 درصد نسبت به منحنی سنجه رسوب کمتر محاسبه شده است. علاوه بر این، نتایج این تحقیق نشان دهنده نزدیکی کارایی دو روش M5 و GP است که با توجه به ساختار ساده و مفهومی مدل M5 این روش به عنوان روش مناسب جهت برآورد بار معلق رسوب انتخاب گردید.کلید واژگان: بار رسوب معلق، الگوریتم های درختی، منحنی سنجه رسوب، الگوریتم M5، برنامه ریزی ژنتیکSuspended sediment load estimation is one of the most important and complicated debates on sediment transport and river engineering. Therefore, the variety of methods developed to estimate suspended sediment load in rivers. According to the empirical nature of these methods, the results have low accuracy and vary so widely from one method to another. Recently, with advances in computer science, various algorithms such as tree based methods have been developed. In this study, sediment rating curve method along with new algorithms such as M5 and Genetic Programing (GP) are used for estimating suspended sediment load in rivers. Flow and sediment discharge data at five hydrometric stations, Behbahan and Cham Nezam on Maroon River, Jow Kanak on Allah River and Moshrageh and Shadegan on Jarahi River are used in present study. The efficiency of tree models, in all stations, was greater than sediment rating curve method, and the RMSE performance of M5 method is 7 to 41 percent superior to sediment rating curve method. The results of this study indicate the close proximity of both M5 and GP efficiency, which according to the simple and conceptual structure of M5, this method is proposed to estimate suspended sediment load in river streams.Keywords: Suspended sediment load, Tree algorithms, Sediment rating curve, M5 algorithm, Genetic Programing
-
ارزیابی فراوانی سیلاب در حوضه های فاقد ایستگاه های اندازهگیری، معمولا توسط ایجاد روابط مناسب آماری (مدلها)بین سیلاب و ویژگی های فیزیکی حوضه انجام میگیرد. تاکنون معادله های متعددی در زمینه برآورد دبی سیلاب در مناطق مختلف ارایه شده ولی با توجه به پیچیدگی این پدیده، روابط موجود نتوانستهاند دبی سیلاب طراحی را با دقت مناسب شبیهسازی کنند. برهمین اساس در این پژوهش علاوه بر روش رگرسیونی که در گذشته استفاده میشد از مدل درخت تصمیم گیری M5 استفاده شدهاست. روش های مختلف داده کاوی در علوم آب به دلیل دقت بالا آن گسترش فراوانی یافتهاست. مشخصات فیزیوگرافی حوضه توسط نرمافزار Arc GIS محاسبه شد. سپس کلیه پارامترهای فیزیوگرافی به همراه دوره بازگشت به عنوان داده های ورودی الگوریتم M5 و رگرسیونخطی لحاظ شد. نتایج حاصل از بررسی آماره های صحت سنجی نشان داد بر اساس ضریب همبستگی بین آمار برآورد شده و مشاهداتی، همچنین بر اساس معیارهای جذر میانگین مربعات خطا و میانگین مطلق خطا، الگوریتم M5 عملکرد بهتری نسبت به روش رگرسیون در برآورد دبیسیلاب دارد.کلید واژگان: تحلیل منطقه ای سیلاب، دبی سیلاب، درخت تصمیم، الگوریتم M5، مدل رگرسیونDeveloping of techniques for regional flood frequency estimation in ungauged sites is one of the foremost goals of contemporary hydrology. The flood frequency evaluation for ungauged catchments is usually approached by deriving suitable statistical relationships (models) between flood statistics and basins characteristics. Already, several equations have been presented to estimate the flood frequency in different areas such as Karkheh basin. However, due to the complexity of this phenomenon, the relationships have not been capable to simulate the flood frequency with desired accuracy. Accordingly, in this study, in addition to the regression method has been used in the previous studies, the ANN and ANFIS models are applied. In fact, these are a type of black box models without any knowledge of processes within the system, in which inputs are converted into outputs (or output). This situation indicates that this type of new models is actually similar to the regression relations, however, there is further flexibility in adjusting the weights and thus can be used as a replacement to multivariate regressions.Keywords: Regional flood analysis, Flood, Decision tree, M5 Algorithm, Regression model
-
عمق برف از جمله معمول ترین عواملی است که برای ارزیابی منابع آب در حوزه های کوهستانی مورد استفاده قرار می گیرد. با توجه به چالش های موجود در اندازه گیری داده های برف سنجی نظیر صعب العبور بودن و عدم دسترسی به تمامی نقاط حوزه همواره بخش قابل توجهی از حوزه فاقد داده های برف سنجی می باشد. این در حالی است که اطلاع از توزیع مکانی عمق برف یکی از اساسی ترین نیازهای حوضه های آبخیز جهت تعیین بیلان آبی به شمار می رود. در این تحقیق کاربرد روش رگرسیون کریجینگ بر مبنای الگوریتم M5 درخت تصمیم برای برآورد توزیع مکانی عمق برف مورد سنجش قرار گرفته است. بدین منظور ابتدا با استفاده از نمونه بردار مدل مونت رز و به طور سیستماتیک به برداشت 206 داده عمق برف در ارتفاعات سخوید یزد اقدام گردید. همچنین30 پارامتر ژئومرفومتری از مدل رقومی ارتفاع و با استفاده از نرم افزار SAGA استخراج شدند. نتایج نشان داد که مهم ترین پارامترهای معرفی شده در الگوریتم M5 درخت تصمیم شامل سطح اساس شبکه زهکشی، قدرت آبراهه، شاخص رطوبتی و ارتفاع از دریا می باشد. نتایج ارزیابی مدل رگرسیون کریجینگ بر اساس معیار ضریب همبستگی (90 درصد) نشان از کارایی بالای مدل می باشد. همچنین روش رگرسیون کریجینگ با توجه به ساده بودن محاسبات و کم هزینه بودن جهت تخمین عمق برف مناسب تشخیص داده شده است.
کلید واژگان: رگرسیون درختی، الگوریتم M5، عمق برف، مدل رقومی ارتفاع، پارامترهای سرزمینSnow depth is the most common parameter used for the assessment of water resources in the mountainous areas. Therefore، knowledge about spatial distribution of snow depth is the substantial knowledge of watershed characteristics. At present research، it was tried to estimate the spatial distribution of snow depth using regression kriging based on M5 model tree. Therefore، location of 216 points was selected systematically، and then snow depth was measured with a Monte - Rose sampler in Yazd-Sakhvid region. Then، 30 terrain parameters were derived from a digital elevation model using SAGA software. Our results indicated that channel network base level، stream power and wetness index were the most important parameters in decision-tree model. The correlation coefficient of 90% confirmed the strong performance of regression kriging model. Moreover، this method is very simple، so it is recommended the regression kriging model is being used to estimate spatial distribution of snow depth in other regions.Keywords: Regression Tree, M5 Algorithm, Snow Depth, DEM, Terrain Parameters
نکته
- 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.