جستجوی مقالات مرتبط با کلیدواژه « artificial neural network » در نشریات گروه « آب و خاک »
تکرار جستجوی کلیدواژه «artificial neural network» در نشریات گروه «کشاورزی»-
ماهی ها حیواناتی خونسرد هستند و متابولیسم، رشد و تغذیه آنها با دمای آب ارتباط تنگاتنگی دارد. تغییرات دمایی باعث بروز تنش در ماهی ها و بعضا شیوع بیماری ها به هنگام گذر از آستانه های تحمل آنها می شود. با توجه به اهمیت موضوع، در این پژوهش به کمک داده های مشاهداتی روزانه ایستگاه هواشناسی کشاورزی رشت در استان گیلان، مربوط به بازه زمانی خرداد 1396 تا آبان ماه سال 1398، متغیرهای دمای بیشینه و کمینه استخر پرورش ماهیان گرمابی با استفاده از چند روش یادگیری ماشین مدلسازی شد. برای این منظور، روش های شبکه عصبی مصنوعی، تقویت گرادیان و جنگل تصادفی، برای مدلسازی دمای بیشینه و کمینه استخرهای یک مجموعه پرورش ماهی مورد استفاده قرار گرفتند. نتایج به دست آمده از ارزیابی عملکرد این رهیافت ها با داده های اندازه گیری شده، نشان داد برای مدلسازی دمای کمینه، شبکه عصبی (با ریشه میانگین مربعات 93/1 و همبستگی 92/0) و برای مدلسازی دمای بیشینه، مدل جنگل تصادفی (با ریشه میانگین مربعات 61/1 و همبستگی 95/0) دارای دقت بیشتری هستند. در صورت تدقیق بیشتر، با کاربست مدل های پیشنهادی می توان با استفاده از داده های روزانه پیش بینی هواشناسی، به عنوان ورودی، دمای بیشینه و کمینه را برای استخر پرورش ماهیان پیش بینی نمود و در صورت لزوم اقدامات مدیریتی مقتضی را با توجه به شرایط دمایی پیش بینی شده انجام داد.
کلید واژگان: ماهی گرمابی, یادگیری ماشین, شبکه عصبی, جنگل تصادفی, روش تقویتی گرادیان}Fish are cold blooded animals and their metabolism, growth and feeding are strongly dependent on water temperature. Temperature changes in fish breeding pools cause stress and disease outbreaks occur especially above the tolerance thresholds. The aim of this study is predicting pool water temperature from observed air temperate using several machine learning approaches, namely artificial neural network, gradient boosting and random forest in Gilan province.Maximum and minimum air temperature data of Rasht Agrometorological station for the period of June 2016 to November 2018 were collected and used for prediction of corresponding data of fish breeding pond .The obtained results showed that for prediction of the minimum temperature, the neural network model (with a root mean square of 1.93 and a correlation of 0.92) and for the pool water maximum temperature, the random forest model (with a root mean square of 1.61 and a correlation of 0.95) did a better job comparing to other two approaches. These selected models can be applied for prediction of water temperature using air Tmax and Tmin for improved management options under changing conditions.
Keywords: Artificial Neural Network, Boosting, Gradient, Machine Learning, Prediction, Random Forest, Warm-Water Fish} -
با توجه به اهمیت آب شیرین برای حیات بشر و آسیب پذیری منابع آب زیرزمینی در برابر انواع آلودگی ها و امکان انتقال آلاینده ها به سایر منابع آب های سطحی و زیرزمینی و همچنین، قرار داشتن کشور ایران در کمربند خشک و نیمه خشک، محافظت از این عنصر با ارزش و کمیاب بسیار ضروری بوده و پایش مداوم و مستمر آن باید از اولویت های مدیریت منابع آب قرار گیرد. از این رو، در پژوهش حاضر به آلودگی نیترات در دشت های شرق استان مازندران و بررسی مسائل مربوطه پرداخته شد و مدلی کارآمد و بهینه جهت پیش بینی غلظت نیترات ارائه شد. در انجام این پژوهش به مقایسه ی سه مدل یادگیری ماشین درخت تصمیم، رگرسیون لجستک و شبکه عصبی مصنوعی پرداخته شد. داده های فیزیکی و شیمیایی اندازه گیری شده طی سال های 1364 تا 1399 استفاده شده و به عنوان متغیرهای ورودی مدل ها قرار داده شد. متغیر ها شامل دما، سطح ایستابی، pH، EC ، HCO3-، CL-، SO24-، Na+، K+، Mg2+، Ca2+، THو TDS بوده و میزان آلودگی نیترات آب زیرزمینی با تقسیم 70 درصد داده ها به عنوان آموزش و 30 درصد به عنوان آزمون، پیش بینی شده و از شاخص های R2، RMSE، NSE و PBIAS برای ارزیابی مدل ها استفاده شد. نتایج به دست آمده حاکی از آن بود که مدل درخت تصمیم با اختلاف زیاد نسبت به دو مدل دیگر بهترین عملکرد را داشته (957/0R2 = و 297/0RMSE=، 95/0= NSE و 907/0Testing acc =) و پس از آن رگرسیون لجستیک و شبکه عصبی مصنوعی با عملکردهای به مراتب ضعیف تری نسبت به مدل درخت تصمیم قرار داشتند. پیشنهاد می شود آزمایش با مدل های دیگر یادگیری ماشین و تغییر قراردادن متغیرهای ورودی و اضافه کردن چند متغیر دیگر از جمله کاربری اراضی و بارندگی انجام و نتایج با پژوهش حاضر مقایسه گردند.
کلید واژگان: داده کاوی, درخت های تصمیم, رگرسیون لجستیک, شبکه عصبی مصنوعی}Considering the importance of fresh water for human life and the vulnerability of groundwater sources to all kinds of pollution and the possibility of transferring pollutants to other surface and groundwater sources, as well as the location of Iran in the arid and semi-arid belt, protecting this valuable and rare element is imperative and its continuous monitoring must be one of the priorities of water resources managers. Therefore, in the current research, nitrate pollution in the eastern plains of Mazandaran province was discussed and relevant issues were investigated, and an efficient and optimal model for predicting nitrate concentration was presented. In this research, three machine learning models including decision tree, logistic regression and artificial neural network were compared. The physical and chemical data measured during the years 1985 to 2020 were used and entered as the input variables of the models. The variables include temperature, water level, pH, EC, HCO3-, CL-, SO24-, Na+, K+, Mg2+, Ca2+, TH and TDS; The amount of nitrate contamination of the groundwater, was predicted by dividing 70% of the dataset as training and 30% as testing data. The R2, RMSE, NSE and PBIAS indexes were applied for model evaluation. The results indicated that the Decision Tree model had the best performance with a large difference compared to the other two models (R2 = 0.957 and RMSE = 0.297, NSE = 0.95 and testing acc = 0.907). After That, logistic regression and artificial neural network had much weaker performances than the lead model. It is suggested to conduct another research with other machine learning models by changing the input variables and add some extra ones such as land-use and compare the results with the current research.
Keywords: Data Mining, Decision Trees, Logistic Regression, Artificial Neural Network} -
ظرفیت تبادل کاتیونی خاک یکی از مهمترین عوامل موثر در حاصلخیزی خاک است که اندازه گیری آن دشوار، زمان بر و هزینه بر است. استفاده از مدل ها و معادلات مختلف یکی از ساده ترین، ارزان ترین و سریع ترین روش های ارزیابی ظرفیت تبادل کاتیونی خاک است. لذا هدف از مطالعه حاضر ارزیابی تاثیر گروه بندی بر پایه ویژگی های مختلف بر عملکرد توابع در تخمین ظرفیت تبادل کاتیونی خاک و معرفی نوعی از گروه بندی که بهترین نتایج تخمین را دربرداشته باشد و همچنین مقایسه قابلیت تخمین ظرفیت تبادل کاتیونی با استفاده از روش شبکه های عصبی مصنوعی است. این مطالعه در سال 1400 در دانشگاه بوعلی سینا همدان انجام شد. در این پژوهش از 45948 نمونه خاک مربوط به پایگاه اطلاعاتی یکنواخت شده خاک های جهان استفاده گردید. ابتدا نمونه خاک های پایگاه اطلاعاتی در حالت های مختلف گروه بندی شدند. سپس برای کل داده و کلاس های مختلف هر گروه با استفاده از 9 متغیر تخمینگر شامل اجزای بافت خاک، کربن آلی، سولفات کلسیم، کربنات کلسیم، جرم مخصوص ظاهری، درصد اشباع بازی، مجموع کاتیون های بازی قابل تبادل واکنش خاک در 11 مدل ارزیابی شد. نتایج نشان داد در کلاس های بافتی ضریب بهبود نسبی در بخش آزمون شبکه عصبی مصنوعی برابر 87 درصد بود. همچنین نتایج نشان داد که RMSE در بخش آزمون در کلاس درشت بافت برابر 257/0 و برای کلاس ریز بافت برابر با 364/0 بود. به طورکلی نتایج نشان داد که استفاده از توابع به دست آمده که گروه بندی در آن ها موجب بهبود تخمین ظرفیت تبادل کاتیونی شده روشی آسان و کم هزینه در تخمین ظرفیت تبادل کاتیونی به شمار می رود.کلید واژگان: پایگاه اطلاعات خاک, رگرسیون خطی, شبکه عصبی مصنوعی, قابلیت اعتماد مدل}This study addresses the challenge of measuring soil cation exchange capacity (CEC), a vital factor influencing soil fertility, by exploring the impact of grouping soil samples based on different characteristics on the performance of estimation models. Recognizing the difficulties associated with traditional CEC measurement methods, the study employs a cost-effective and rapid approach using various models and equations. The research, conducted at Bu Ali Sina University in Hamedan, utilizes a substantial dataset of 45,948 soil samples from the standardized database of world soils. Soil samples are initially categorized into different groups, and nine estimator variables are examined across 11 models for the entire dataset and specific classes within each group. These variables include soil texture components, organic carbon, calcium sulfate, calcium carbonate, bulk density, base saturation percentage, total exchangeable base cations, and soil reaction. The results demonstrate that grouping soil samples, especially based on texture classes, significantly improves the performance of artificial neural network models, with a remarkable 87% relative improvement coefficient in the test section. The study reveals that data grouping enhances the model's estimation capabilities, as evidenced by reduced root mean square error (RMSE) values in the test sections for different texture classes. In conclusion, the findings suggest that utilizing functions derived from grouped data offers an effective and cost-efficient method for estimating soil cation exchange capacity. This approach provides valuable insights for soil fertility management, offering a simplified yet accurate means of assessing this critical soil parameter.Keywords: Soil Database, Linear Regression, Artificial Neural Network, Model Reliability}
-
در یک دهه اخیر، روش های هوش مصنوعی بیش ترین کاربرد را در شبیه سازی فرآیندهای مختلف از جمله فرآیندهای هیدرولوژیکی داشته اند، اما نتایج این روش ها همواره با عدم قطعیت همراه بوده اند. یکی از راه حل هایی که می تواند تا حدودی این مشکل را حل نماید، تحلیل عدم قطعیت پیش بینی های صورت گرفته است. در مطالعه حاضر عدم قطعیت نتایج مدل های شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در پیش بینی جریان ماهانه رودخانه با استفاده از شبیه سازی مونت-کارلو و مقادیر 95PPU و d-factor مورد ارزیابی قرار گرفته است. در این پژوهش از داده ها و سری زمانی جریان ماهانه رودخانه قزل اوزن در یک دوره 39 ساله از سال 1355 تا 1393 برای ایستگاه آب سنجی بیانلو-یساول استفاده شده است که 75 درصد داده ها برای آموزش و 25 درصد برای آزمون مدل ها به کار رفته است. در این مدل ها به منظور تخمین جریان رودخانه، شش ترکیب مختلف ورودی شامل جریان یک، دو و سه ماه قبل و شماره ماه های جریان مورد استفاده قرار گرفت. برای ارزیابی مدل ها از معیارهای آماری ضریب همبستگی (R) و ریشه میانگین مربعات خطا (RMSE) استفاده شد. نتایج نشان داد که اگر چه مدل ANN با مقادیر R مساوی با 757/0 و RMSE مساوی با 45/9 دارای عملکرد خوبی نسبت به مدل SVM با مقادیر R مساوی با 729/0 و RMSE مساوی با 946/10 در پیش بینی جریان رودخانه است. اما نتایج این مدل با عدم قطعیت زیادی همراه است. مقایسه تحلیل عدم قطعیت نتایج مدل ها نشان داد که مدل SVM با مقادیر d-factor و 95PPU به ترتیب برابر با 155/0 و 241/17 نسبت به مدل ANN با مقادیر d-factor و 95PPU به ترتیب برابر با 993/0 و 470/85 از عدم قطعیت کم تری برخوردار است و از این لحاظ بر مدل ANN برتری دارد. مطابق نتایج این پژوهش باید با در نظر گرفتن این نکته که مدل های پیشرفته هوش مصنوعی نیز دارای عدم قطعیت هستند، نسبت به کاربرد این روش ها در زمینه های مدیریت ریسک و برنامه ریزی های آینده اقدام کرد تا بهترین عملکرد را به دست آورد.
کلید واژگان: پیش بینی جریان, رودخانه قزل اوزن, شبکه عصبی مصنوعی, عدم قطعیت, ماشین بردار پشتیبان}IntroductionRiver flow forecasting has been one of the important challenges of water resources management in recent decades, so many researchers have proposed different methods to improve the performance of forecasting models. In the last decade, artificial intelligence methods have been most widely used in the simulation of various processes, including hydrological processes, due to their flexibility and high accuracy in modeling. However, the results of these methods have always been associated with uncertainty due to several factors such as structure, algorithm, input data, and the type of method chosen for data calibration. One of the methods that can somewhat solve this problem is the uncertainty analysis of the predictions made by these models.
Materials and MethodsIn this study, the uncertainty of the results of artificial neural network (ANN) and support vector machine (SVM) models in predicting the monthly flow of the river has been evaluated. In this research, the time series of the monthly flow of the Ghezelozan River using the data of the Bianlu-Yasaul Stream gauging station in 39 years from 1976 to 2014 was used, where 75% and 25% of the data was used for training and testing the models, respectively. In these models, to estimate the monthly flow of the Ghezelozan River, six different input combinations including the flow of one, two, and three months before and the number of months of the flow were used. Then, the accuracy and performance of the models were compared using the coefficient of determination (R) and root mean square of errors (RMSE). Finally, the uncertainty of the results of ANN and SVM models in predicting the monthly flow of the river was evaluated by the Monte-Carlo method using d-factor and 95PPU values.
Results and DiscussionThe evaluation of the performance of the ANN model shows that the best performance is related to the combination where the flow of the previous two months and the number of the month of the flow are the inputs of the model so that R and RMSE indexes were obtained as 0.757 and 9.45, respectively. In the SVM model for the monthly river flow series, the best performance is related to the combination where the flow of one, two, and three months ago and the number of months of the flow were the inputs of the model, and the R and RMSE indexes for this input pattern were 0.729 and 10.946, respectively. After studying the uncertainty of the models, the results showed that the ANN model has more uncertainty in the output values compared to the SVM model, and this is while the d-factor of the ANN model, both in the training and test phase, it was more than the SVM model. The comparison of the uncertainty analysis of the results of the ANN and SVM models showed that the SVM model with d-factor and 95PPU values equal to 0.155 and 17.241, respectively, compared to the ANN model with d-factor and 95PPU values equal to 0.993 and 85.470, respectively, has less uncertainty in the output values. So the number of observation data placed in the 95% confidence range (95PPU) of the ANN model compared to the SVM model has increased significantly in both the training and testing phases. Also, the results showed that both models have more uncertainty in the months with a large volume of water, which can be due to the complexity of the process and the involvement of uncertain factors in these months, as well as the effect of factors that are not considered in the structure of predictive models.
ConclusionThe results of ANN and SVM models in predicting the monthly flow of the Ghezelozan River showed that although the ANN model with R-value equal to 0.757 and RMSE value equal to 9.45 has a good performance compared to the SVM model with R-value equal to 0.729 and RMSE value equal to 10.946 in predicting the river flow, the results of this model are associated with high uncertainty. The comparison of the uncertainty analysis of the results of ANN and SVM models by Monte-Carlo method showed that the SVM model with d-factor and 95PPU values equal to 0.155 and 17.241, respectively, compared to the ANN model with d-factor and 95PPU values equal to 0.993 and 85.470, respectively, has less uncertainty in predicting the monthly flow of the Ghezelozan River and it is better than ANN model. According to the results of this research, taking into account the fact that advanced artificial intelligence models also have uncertainty, it is necessary to apply these methods in the fields of risk management and future planning to obtain the best performance.
Keywords: Artificial Neural Network, Flow Prediction, Ghezelozan River, Support Vector Machine, Uncertainty} -
رواناب پدیدهای مهم در چرخه هیدرولوژیکی است، از این رو پیش بینی میزان رواناب رودخانه برای اهدافی نظیر برنامه ریزی فعالیت های کشاورزی، پیش بینی سیلاب و تامین آب مصرفی حائز اهمیت است. پیچیده بودن مدلهای فیزیکی یکی از دلایلی است که باعث شده پژوهشگران به مدلهای داده مبناء و مبتنی بر هوش مصنوعی روی آورند. وجود تغییرات آماری در داده ها سبب می شود که مدل سازی جریان رودخانه با مدل های داده مبناء با مشکلاتی در فرآیند یادگیری مدل همراه باشد. لذا لازم است با مدل سازی تلفیقی، دقت پیش بینی جریان ارتقاء یابد. هدف تحقیق حاضر، ارزیابی کارایی انواع موجک های گسسته و پیوسته در مدل ترکیبی موجک-شبکه عصبی (WANN) برای پیش بینی جریان ماهانه رودخانه کارده در ایستگاه ورودی به سد کارده است. بدین منظور، دو موجک گسسته Haar و Fejer-Korovkin2 و دو موجک پیوسته Symlet3 و Daubechies2 در ترکیب با مدل ANN مورد ارزیابی قرار گرفت. بررسی داده های هواشناسی و هیدرومتری در یک دوره 30 ساله (1370-1399) نشان داد که جریان ماهانه در دو گام زمانی T-1 و T-2 بهترین متغیرهای پیش بینی کننده (در سطح اطمینان 95%) بودند. آنالیزهای ترکیبی در سه سطح تجزیه انجام و کارایی مدل ها با روش صحت سنجی متقاطع در4 سطح مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل های ترکیبی دارای دقت بالاتری نسبت به مدل ANN بودند و مدل ترکیبی پیشنهادی Symlet3-ANN در سطح 3، نتایج بهتری نسبت به سایر مدلها ارائه داد، بطوری که شاخص های R، RMSE و NSE در بخش واسنجی به ترتیب 90/0، 25/0 و 81/0 و در بخش صحت سنجی به ترتیب 85/0، 30/0 و 62/0 بود. همچنین ملاحظه شد دقت نتایج در سطح دو و سه تفاوت معناداری ندارند و بهتر است جهت کاهش مولفههای ورودی به مدل ANN و کاهش زمان اجرای مدل، تجزیه در سطح دو انجام شود.
کلید واژگان: تبدیل موجک, صحت سنجی متقاطع, مدل هیبریدی, موجک پیوسته, موجک گسسته}IntroductionPredicting river flow is one of the most crucial aspects in water resources management. Improving forecasting methods can lead to a reduction in damages caused by hydrological phenomena. Studies indicate that artificial neural network models provide better predictions for river flow compared to physical and conceptual models. However, since these models may not offer reliable performance in estimating unstable data, using preprocessing techniques is necessary to enhance the accuracy and performance of artificial neural networks in estimating hydrological time series with nonlinear relationships. One of these methods is wavelet transformation, which utilizes signal processing techniques.
Materials and MethodsIn this study, to evaluate the efficiency of discrete and continuous wavelet types in the Wavelet-Artificial Neural Network (WANN) hybrid model for monthly flow prediction, a case study was conducted on the Kardeh Dam watershed in the northeast of Iran, serving as a water source for part of Mashhad city and irrigation downstream agricultural lands. Monthly streamflow estimates for the upstream sub-basin of the Kardeh Dam were obtained from the meteorological and hydrometric stations' monthly statistics over a 30-year period (1991-2020). The WANN model is a hybrid time series model where the output of the wavelet transform serves as a data preprocessing method entering an artificial neural network as the predictive model. The combination of wavelet analysis and artificial neural network implies using wavelet capabilities for feature extraction, followed by the neural network to learn patterns and predict data, potentially enhancing the models' performance by leveraging both methods. The 4-fold cross-validation method was employed for the artificial neural network model validation, where the model underwent validation and accuracy assessment four times, each time using 75% of the data for training and the remaining 25% for model validation. The final results were presented by averaging the validation and accuracy results obtained from each of the four model runs. To evaluate and compare the performance of the models used in this study, three evaluation indices, Nash-Sutcliffe Efficiency (NSE), Root Mean Square Error (RMSE), and Pearson correlation coefficient (R), were employed.
Results and DiscussionThe analysis of meteorological and hydrometric data in this study revealed that monthly streamflow in two time steps, T-1 and T-2, were the most effective predictive variables. Each of the two runoff variables of the previous month (Qt-1) and the previous two months (Qt-2) were analyzed by each of the Haar and Fejer-Korovkin2 discrete wavelet transforms and the two continuous Symlet3 and Daubechies2 wavelets at three levels. The results of each level of decomposition was given as input to the ANN model. The presented results at each decomposition level indicated that hybrid models could accurately predict lower flows compared to the single ANN model, and the estimation of maximum values also significantly improved in the hybrid models. Among the wavelets used, Haar wavelets exhibited the weakest performance, and the less commonly employed Kf2 wavelet showed a moderate performance. Since the Haar and Fk2 wavelets, with their discrete structure, did not perform well in decomposing continuous monthly streamflow data, continuous wavelet models outperformed discrete wavelet models. The hybrid models, combining wavelet analysis and artificial neural networks, demonstrated up to an 11% improvement over the performance of the single neural network model.
ConclusionStreamflow is a crucial element in the hydrological cycle, and predicting it is vital for purposes such as flood prediction and providing water for consumption. The objective of this research was to evaluate the performance of different types of discrete and continuous wavelet models at various decomposition levels in enhancing the efficiency of artificial neural network (ANN) models for streamflow prediction. Since climate and watershed characteristics can influence the nature of data fluctuations and, consequently, the results of the wavelet model decomposition, choosing an appropriate wavelet model is essential for obtaining the best results. Considering the existing variations in the results of different studies regarding the selection of the best wavelet type, it is suggested to use both continuous and discrete wavelet types in modeling to achieve the best predictions and select the optimal results. Given that a lower number of input variables in neural network models lead to higher accuracy in modeling results, it is recommended to perform decomposition at a two-level depth to reduce input components to the neural network model, thereby reducing the model execution time.
Keywords: Artificial Neural Network, Continuous Wavelet, Cross-Validation, Discrete Wavelet, Hybrid Model, Wavelet Transform} -
تبخیر یکی از مولفه های اساسی در چرخه هیدرولوژی است. با توجه به اهمیت خروج آب از دسترس بشر، برآورد صحیح تبخیر بیشتر مورد توجه پژوهشگران قرار گرفته است. در این تحقیق، به منظور مدل سازی تبخیر، از هیبرید الگوریتم بهینه ساز کوت، با شبکه عصبی مصنوعی استفاده شد. به منظور اجرای مدل، از داده های هواشناسی سه ایستگاه سینوپتیک گرگان، شیراز و کیش با توجه به اقلیم های مختلف استفاده گردید. داده های هواشناسی شامل میانگین دمای هوای کمینه، میانگین دمای هوای بیشینه، سرعت باد، میانگین رطوبت نسبی و ساعات آفتابی در طول دوره آماری 2000 تا 2022 در مقیاس ماهانه، بوده است. برای انتخاب ترکیب داده های ورودی به هر مدل، از چهار سناریو استفاده شد. برای ارزیابی عملکرد نتایج حاصل از دو مدل، شاخص های آماری ضریب همبستگی (R)، جذر میانگین مربعات خطا (RMSE) و ضریب نش - ساتکلیف (N-S) مورد استفاده قرار گرفت. به منظور تایید نتایج از نمودارهای گرافیکی تیلور، پراکنش، هیستوگرام، خطای نسبی و ویولنی نیز استفاده گردید. نتایج مرحله صحت سنجی مربوط به سناریوی چهارم از مدل هیبریدی در گرگان با مقادیر (R=0.99)، (RMSE=8.19) و (NS=0.99)، در شیراز با (R=0.99)، (RMSE=18.43) و (NS=0.98) و در کیش با (R=0.97)، (RMSE=19.36) و (NS=0.93) عملکرد بهتری نسبت به سایر مدل ها از خود نشان داد. نتایج تحقیق نشان داد که هیبرید الگوریتم بهینه ساز کوت توانست دقت شبکه عصبی مصنوعی را در تمام سناریوها با هر ترکیبی از داده ها افزایش دهد. همچنین نتایج نشان داد که عملکرد سناریوی چهارم الگوریتم هیبریدی (COOT-ANN4) که شامل هر پنج داده هواشناسی بوده است در هر سه ایستگاه دقیق ترین نتایج را نشان داده است.
کلید واژگان: مدل سازی, تبخیر, شبکه عصبی مصنوعی, الگوریتم پرنده کوت, الگوریتم هیبریدی COOT-ANN}IntroductionDue to global warming, accurately estimating evaporation has become a key challenge in water resource management, and due to the important role it plays in the withdrawal of water from human reach, it has always attracted the attention of researchers. Therefore, modeling and awareness of the value of evaporation as one of the hydrological variables is of great importance in agricultural research and soil and water conservation. Gorgan was chosen for the study due to its proximity to the Caspian Sea with a humid climate and a higher rate of evaporation than other cities. On the other hand, Shiraz has a hot and dry climate, is located in central Iran far from water resources such as the sea, and has a lower evaporation rate. Kish also has a warm and humid climate due to its proximity to the sea, with a lower evaporation rate than Shiraz but higher than Gorgan. Several meteorological variables affect the process of evaporation and transpiration, and due to the complexity of the evaporation parameter, a method with high accuracy should be used to determine them. Recently, artificial neural network methods have become very popular among researchers due to their common use and the ease with which they can solve complex problems. Therefore, many intelligent algorithms have been suggested to find the best solution for complex engineering problems, as they can find optimal answers faster and more accurately.
Materials and MethodsArtificial neural networks are designed based on inspiration from the memory and learning mechanisms in the human brain. To train artificial neural networks, a set of valid input and output data is used based on the type of problem. The accuracy of the network output depends on the amount of training data and how the inputs and their features are processed. To design different scenarios for adjusting input data, the correlation values of the data with evaporation were used. In this study, three synoptic stations with different climates, including Gorgan, Shiraz, and Kish, were chosen. Three stations with different climates were used to better evaluate and repeat the steps of the method so that the efficiency of the method could be more accurately assessed. Considering the importance of the value of evaporation in nature, evaporation modeling with the ANN and its combination with the COOT algorithm, which mimics the natural life of a COOT bird, was performed using five meteorological parameters, including the minimum air temperature, maximum air temperature, wind speed, average relative humidity, and sunshine hours on a monthly between 2000 and 2022. The dataset was divided into two phases: training (70 % of the dataset) and testing (30% of the dataset). To evaluate the performance of developed models, statistical indices of these models such as correlation coefficient (R), root-mean-square error (RMSE), Nash-Sutcliffe coefficient (NS), and their graphical representations were compared with each other.
Results and DiscussionAs mentioned, four models of ANN-COOT with varying input parameters were developed and compared to four conventional ANN models. Statistical performances were calculated, and comparison plots were made in the training and testing phases to find the most adequate model for the prediction of evaporation. Comparing of obtained results from statistical indices for the testing phase revealed that the COOT-ANN4 model had the best performance for Gorgan with the R, RMSE, and NS equal to 0.99, 8.19, and 0.99 respectively. Shiraz also obtained values of the R, RMSE, and NS equal to 0.99, 18.43, and 0.98 respectively. Similarly, for Kish, the values of the R, RMSE, and NS equal to 0.97, 19.36, and 0.93 respectively, have better performance than the other models. Compared with the results of different input combinations, the hybrid ANN-COOT model (ANN-COOT4) at three stations was found superior with input combinations of Tmin, Tmax, SSH, RH, and WS. Additionally, to evaluate the accuracy of developed models, Scatter plots, Violin plots, Relative error percent plots (RE %), Taylor diagrams, and Histograms were drawn. By comparing the graphical representations, it can be determined that the hybrid COOT with ANN4, namely the COOT-ANN4 model, has improved the artificial neural network at Gorgan, Shiraz, and Kish stations.
ConclusionThe algorithm of COOT is an optimization algorithm that is generally used to solve optimization problems. As observed from the overall performance of the results of the hybrid model in predicting evaporation, the objective function was minimized. The results indicated that scenario four of the COOT-ANN4 hybrid model with input parameters of minimum temperature, maximum temperature, sunshine hours, relative humidity, and wind speed has better accuracy and performance at all three stations. In general, the findings of this study revealed that the COOT algorithm can improve the artificial neural network (ANN) structure in any climate and provide a hybrid model with higher accuracy and less error for modeling the evaporation parameter. Considering that the COOT algorithm is powerful and efficient, it is better to use it in various fields to improve the performance and accuracy of models. The testing results revealed that the lowest Root Mean Square Error RMSE (18.43, 19.36 and 8.19) and highest coefficient of correlation R (0.99, 0.97, and 0.99), and the highest Nash–Sutcliffe Efficiency Coefficient (N-S) (0.98, 0.93 and 0.99) attained by the ANN-COOT4 hybrid model (relative to other ANN and ANN-COOT models) tested for three selected stations in Shiraz, Kish and Gorgan sites. Concerning the predictive efficiency, the developed ANN-COOT hybrid model, improved the modeling performance at extreme points, which outperforms the ANN model, indicating its capability in the prediction of monthly evaporation.
Keywords: Artificial Neural Network, Coot Bird Algorithm, COOT-ANN Hybrid Algorithm, Evaporation, Modeling} -
نقشه برداری رقومی خاک با برقراری روابط کمی میان متغیرهای محیطی و کلاس ها یا ویژگی های خاک قادر به پیش بینی مکانی ویژگی موردنظر است. در این پژوهش از الگوریتم های شبکه عصبی مصنوعی، درخت تصمیم، رگرسیون لاجستیک چند جمله ای و جنگل تصادفی برای پیش بینی نقشه خاک اراضی پایاب سد آزاد شهر سنندج با وسعت حدود 3/2178 هکتار استفاده شد. در سال 1396 تعداد 84 خاک رخ با الگوی تصادفی در منطقه مطالعاتی حفر، تشریح و نمونه برداری گردید. بر اساس ویژگی های ریخت شناختی و داده های آزمایشگاهی هر یک از خاکرخ ها تا سطح خانواده رده بندی شدند. بر اساس سیستم رده بندی جامع آمریکایی، دو رده اینسپتی سول و انتی سول، دو زیر رده، سه گروه بزرگ و پنج زیرگروه و خانواده مشاهده شد. برای محاسبه متغیرهای پیش بینی کننده، از مدل رقومی ارتفاع با قدرت تفکیک 10 متر و تصویر ماهواره سنتیل 2-B استفاده شد. برای بررسی صحت پیش بینی مدل ها از صحت عمومی نقشه، شاخص کاپا و درجه برابر استفاده شد که بهترین نتایج (به ترتیب 65/0، 53/0 و 16/0) برای الگوریتم شبکه عصبی مصنوعی به دست آمد. ضعیف ترین پیش بینی مربوط به مدل درخت تصمیم با صحت عمومی 38/0، شاخص کاپای 22/0 و درجه برابر 87/0 بود.
کلید واژگان: شبکه عصبی مصنوعی, درخت تصمیم, رگرسیون لاجستیک, جنگل تصادفی}Digital Soil Mapping (DSM) encompasses a variety of methodologies that can yield precise spatial information about soil by establishing quantitative relationships between environmental covariates (predictors) and soil classes or properties. In this study, Artificial Neural Networks (ANNs), Decision Tree (DT), Multinomial Logistic Regression (MLR), and Random Forest (RF) algorithms were used to predict the soil map of downstream lands of Azad dam with an area of approximately 178.3 ha in the northwest of Sanandaj city in Kurdistan province. A random soil sampling method was used to determine the location and distribution of the 84 soil profiles in the study area. After recording soil morphological attributes, sampling of all horizons was conducted for required laboratory analysis. Afterward, the soil profiles were classified up to the family taxonomic level based on US classification system. Based on the soil taxonomy classification system, Inceptisols and Entisols order were observed by frequency, two Suborder, three Great groups, five Subgroups, and Family. To calculate the predictor variables, a digital elevation model (DEM) with a 10 m spatial resolution and Sentinel 2-B satellite images were used in the study area. To check the prediction accuracy of the models the Overall accuracy (OA), Kappa Index (K), and Brier Score (BS) were used. The best result was obtained by the ANN model (OA=0.65, K=0.53, and BS=0.16, respectively). The weakest predictions were found by DT model with OA, K, and BS of 0.38, 0.22, and 0.87, respectively.
Keywords: Artificial Neural Network, Decision Tree, Multinomial Logistic Regression, Random forest} -
مقدمه
شبکه عصبی مصنوعی (ANN) یک ابزار قدرتمند داده محور است که قادراست روابط خطی و غیرخطی حاکم بر سیستم های مختلف را فراگیرد. اما هنوز تعیین الگوریتم دارای بهترین عملکرد ازنظر سرعت و دقت همگرایی برای یک مسیله خاص، چالش مهم پیش روی کاربران شبکه های عصبی مصنوعی است.
روشدر این پژوهش، توانایی فرآیندهای پرکاربرد طی چند سال اخیر در بحث شبیه سازی و تخمین پارامترهای غیرخطی کیفیت آب بررسی و اثربخش ترین آن ها تعیین گردید. برای این منظور، 42 مدل از ترکیب توپولوژی شبکه عصبی مصنوعی (تک لایه یا چندلایه) و فرآیندهای آموزش بررسی گردید. پارامترهای کیفی مشاهده شده در محل 107 چاه در گستره آبخوان دشت قروه-دهگلان از سال 75 الی 92 جهت آموزش و داده های سال های 93 تا 95 جهت آزمون هر مدل استفاده شد.
یافته هانتایج نشان داد که شبکه های عصبی مصنوعی دارای یک لایه پنهان که از تعداد بهینه نورون بهره می برند، قادرند رفتار آبخوان را با دقت مطلوب و در مدت زمان کمتر شبیه سازی نمایند. همچنین، افزایش تعداد لایه های میانی همگام با افزایش دقت پاسخ، نه تنها تعداد سلول های بهینه شبکه بلکه مدت زمان تحلیل مساله را افزایش می دهد. به هرحال، شبکه های عصبی مصنوعی مبتنی بر روش Broyden-Fletcher-Goldfarb (BFG) از بیشترین کارآیی در شبیه سازی رفتار آبخوان برخوردار است، گرچه کارآیی روش Levenberg Marquart (LM) بسیار نزدیک به آن است. کارآیی بیشتر BFG نسبت به LM می تواند به دلیل برخورداری از میانگین خطا و انحراف معیار کمتر (به ترتیب برابر 46/3 و 09/3) آن باشد.
نتیجه گیریشبکه های عصبی مصنوعی با یک لایه پنهان و تعداد بهینه نورون می توانند رفتار آبخوان را با دقت مطلوبی شبیه سازی کنند و نسبت به شبکه های عصبی مصنوعی متشکل از چندین لایه پنهان کارایی بیشتری دارند.
کلید واژگان: شبیه سازی, شبکه عصبی مصنوعی, الگوریتم های آموزش شبکه, تخمین پارامترهای کیفی, دشت قروه-دهگلان}IntroductionAn artificial neural network (ANN) is a powerful data-driven tool capable of learning the linear and nonlinear relationships governing different systems. However, determining the best-performing algorithm in terms of convergence speed and accuracy for a particular problem is still a fundamental challenge for users of artificial neural networks.
MethodsWe investigated the most effective algorithm among widely used processes to simulate and estimate nonlinear water quality parameters. For this purpose, we constructed 42 models combining artificial neural network topology (single or multilayer) and training processes. The quality parameters’ data acquired at 107 wells throughout the aquifer of Qorveh-Dehgolan plain were used for training (data from 1996 to 2013) and to test (data from 2014 to 2016) each model.
FindingsThe results showed that artificial neural networks with a hidden layer that benefits from the optimal number of neurons could simulate the aquifer behavior with high accuracy and in less time. Also, increasing the number of hidden layers while increasing the response accuracy increases the number of optimal network neurons and the duration of the problem analysis. Finally, artificial neural networks based on the Broyden-Fletcher-Goldfarb (BFG) method had the highest efficiency in simulating aquifer behavior, although the performance of the Levenberg Marquart (LM) method is very close to BFG. BFG is more efficient than LM due to its lower Mean Square Error and Standard Deviation (3.46 and 3.09, respectively).
Keywords: Simulation, Artificial neural network, Network Training Algorithms, Qualitative Parameter Estimation, Qorveh-Dehgolan Plain} -
زمینه و هدف
بارندگی یکی از پدیده های پیچیده طبیعی و از مهم ترین اجزای چرخه آب بوده و در سنجش خصوصیات اقلیمی هر منطقه نقش بسیار مهمی ایفا می کند. شناخت میزان و روند تغییرات بارش به عنوان یکی از عناصر مهم هواشناسی، از یک سو جهت داشتن مدیریت اثربخش و برنامه ریزی دقیق تر برای بخش های کشاورزی، اقتصادی و اجتماعی و از سوی دیگر برای مطالعاتی مانند رواناب ها، خشک سالی ها، وضعیت آب های زیرزمینی و سیلاب ها ضروری است. همچنین پیش بینی بارش در مناطق شهری تاثیر بسیار زیادی بر کنترل ترافیک، جریان فاضلاب ها و فعالیت های ساخت وساز دارد.
روش پژوهش:
هدف این مطالعه مقایسه دقت مدل های کلاس بندی درخت تصمیم (چاید (CHAID)، درخت تصمیم C5، نیو بیزین (NB)، کوئست (Quest) و جنگل تصادفی)، k نزدیک ترین همسایگی (KNN)، ماشین بردار پشتیبان (SVM) و شبکه عصبی مصنوعی (ANN) جهت پیش بینی وقوع بارش باران با استفاده از داده های یک دوره 50 ساله در ایستگاه سینوپتیک فرودگاه همدان است. در این مطالعه از 80 درصد داده ها جهت آموزش و از 20 درصد داده ها جهت صحت سنجی مدل ها استفاده شده و نتایج حاصل از اجرای مدل ها با استفاده از معیارهای ماتریس درهم ریختگی (اغتشاش)، منحنی ROC و شاخص AUC مقایسه شدند. برای ساخت متغیر کلاس بندی داده های بارش و عدم بارش، با توجه به داده های بارش، روزهای سال در دو کلاس روزهای وقوع بارش (y) و روزهای عدم وقوع بارش (n) دسته بندی شدند. در این تحقیق پیش پردازش داده ها با استفاده از پیش پردازش خودکار داده ها (ADP) انجام شده و آنگاه کاهش ابعاد متغیرها از روش PCA استفاده شد.
یافته هادر این مطالعه با توجه به روش PCA ابعاد متغیرها به 5 بعد کاهش یافت. همچنین از داده های موجود تقریبا 80 درصد، روزها بدون بارش و 20 درصد روزها با بارش هستند. نتایج تحقیق نشان داد که مدل KNN با معیار صحت 9/91 برای داده های آموزشی و مدل SVM، 13/89 درصد برای داده های آزمون بهترین عملکرد را بین مدل های داده کاوی داشتند. شاخص AUC مدل KNN برابر 97/0 در داده های آموزشی و در داده های آزمون مقدار 94/0 برای الگوریتم SVM به دست آمد. همچنین با توجه به منحنی عملکرد سیستم (ROC) برای داده های بارش همدان مدل KNN نسبت به سایر مدل ها عملکرد بهتری را دارا می باشد. توجه به شاخص حساسیت در ماتریس اغتشاش، مدل های KNN و SVM در پیش بینی عدم وقوع بارش برای داده های آموزش بهتر عمل کردند. با توجه به شاخص خاصیت در پیش بینی وقوع بارش مدل های RT و KNN نتایج بهتری داشتند.
نتایجنتایج تحقیق نشان داد که در داده های آموزش مقدار معیار صحت برای مدل های RT، C5، ANN، SVM، BN،KNN ، CHAID و QUEST به ترتیب 82/86، 78/89، 55/89، 96/89، 06/88، 9/91، 29/88 و 46/87 بدست آمده اند. همچنین این معیار در داده های آزمون برای این مدل ها به ترتیب 2/83، 9/87، 12/88، 13/89، 12/87، 19/88، 93/86 و 76/86 به دست آمد. مقدار شاخص AUC در داده های آموزش برای مدل های RT، C5، ANN، SVM، BN،KNN ، CHAID و QUEST به ترتیب 94/0، 92/0، 94/0، 94/0، 93/0، 97/0، 93/0 و 89/0 به دست آمد. همچنین این معیار در داده های آزمون برای این مدل ها به ترتیب 89/0، 89/0، 93/0، 94/0، 92/0، 90/0، 92/0 و 88/0 برآورد شد. همان طور که مشاهده شد، با توجه به معیارهای صحت و شاخص AUC در داده های آموزش مدل KNN و با توجه به داده های آزمون مدل SVM کارا تر در پیش بینی بارش باران بودند.
کلید واژگان: شبکه عصبی مصنوعی, مدل K نزدیک ترین همسایگی, ماشین بردار پشتیبان, پیش بینی بارش باران, مدل های درخت تصمیم}Background and AimRainfall is one of the complex natural phenomena and one of the most crucial component of the water cycle, playing a significant role in assessing the climatic characteristics of each region. Understanding the amount and trends of rainfall changes is essential for effective management and more precise planning in agricultural, economic, and social sectors, as well as for studies related to runoff, droughts, groundwater status, and floods. Additionally, rainfall prediction in urban areas has a significant impact on traffic control, sewage flow, and construction activities.
MethodThe objective of this study is to compare the accuracy of classification models, including Chi-squared Automatic Interaction Detector (CHAID), C5 decision tree, Naive Bayes (NB), Quest tree, and Random Forest, k-Nearest Neighbors (KNN), Support Vector Machine (SVM), and Artificial Neural Network (ANN) in predicting rainfall occurrence using 50 years of data from the synoptic station at Hamedan Airport. In this study, 80% of the data is used for training the models, and 20% for model validation and the results obtained from the model executions are compared using metrics such as confusion matrix, Receiver Operating Characteristic (ROC) curve, and the Area Under the Curve (AUC) index. To create the classification variable for rainfall and non-rainfall data, based on rainfall data, the days of the year are categorized into two classes: days with rainfall (y) and days without rainfall (n). Data preprocessing is performed using Automatic Data Preprocessing (ADP). Then, Principal Component Analysis (PCA) is employed to reduce the dimensions of the variables.
ResultsIn this study, the PCA method reduces the dimensions of the variables to 5. Also, approximately 80% of the available data corresponds to rainless days, while 20% corresponds to rainy days. The research results indicated that the KNN model with an accuracy of 91.9% for training data and the SVM model with 89.13% for test data exhibit the best performance among the data mining models. The AUC index for the KNN model is 0.967 for training data and 0.935 for test data, while for the SVM algorithm, it is 0.967 for training data and 0.935 for test data. According to the ROC curve for Hamedan rainfall data, the KNN model outperforms other models. Considering the sensitivity index in the confusion matrix, the KNN and SVM models perform better in predicting non-rainfall occurrence for training data. In terms of the precipitation occurrence prediction, the RT and KNN models show better results according to the specificity index.
ConclusionThe results demonstrated that for the RT, C5, ANN, SVM, BN, KNN, CHAID, QUEST, accuracy metrics was obtained 86.82%, 89.78%, 89.55%, 89.96%, 88.06%, 91.9%, 88.29%, 87.46%, 91.9%, respectively for training data. Moreover, for test data, the accuracy metrics for this model was obtained 83.82%, 87.9%, 88.12%, 89.13%, 87.12%, 89.13%, 87.12%, 88.19%, 86.93%, 86.76%, respectively. The AUC index in the training data for RT, C5, ANN, SVM, BN, KNN, CHAID QUEST models was 0.94%, 0.99%, 0.94%, 0.94%, 0.93%, 0.97%, 0.93%, 0.89%, respectively. In addition, for the test data, this metric was evaluated 0.89%, 0.89%, 0.93%, 0.94%, 0.92%, 0.90%, 0.92%, 0.88% respectively. As observed, considering accuracy metric and AUC index for training data KNN model and for test data SVM model were more sufficient in rainfall prediction.
Keywords: Decision tree models, K-nearest neighbors (KNN) model, Rainfall prediction, Artificial Neural Network, support vector machine (SVM)} -
ارتقا سطح کیفی زندگی ساکنین شهرها به بهره مندی از زیرساخت شهری با کیفیت بالا، به منظور برآورده کردن نیازهای روزانه وابسته است. شبکه آبرسانی شهری یکی از اساسی ترین زیرساخت های شهری است که طراحی و سرویس دهی مطلوب آن در طول دوره طرح ضروری است. ازاین رو تعیین میزان واقعی مصرف و پیش بینی آن در آینده اهیمت دارد. به این منظور در این تحقیق، از یک روش بر مبنای هوش مصنوعی، روش برنامه نویسی ژنتیک (GP) و همچنین روش داده کاوی ضریب همبستگی پیرسون استفاده شده است. روش های داده کاوی بر روی بانک داده شامل داده های روزانه دما، بارش، رطوبت و مقدار آب تولیدی روزانه برای شهر نجف آباد در اصفهان از ابتدای سال 1394 تا انتهای سال 1398اعمال و بهترین ترکیب از داده های ورودی انتخاب شده است. داده های منتخب به عنوان بردارهای ورودی برای مدل های پیشنهادی بر مبنای روش GP اعمال و مقدار آب تولیدی روزانه (نشان دهنده آب مصرفی کل)شهر نجف آباد پیش بینی شده است. نتایج به دست آمده با نتایج مدل هایی بر مبنای شبکه عصبی مصنوعی (ANN) مقایسه شده است. برای بررسی عملکرد مدل ها، شاخص های آماری R²، RMSE و NSE محاسبه شده است. مقایسه نتایج نشان دهنده عملکرد قابل قبول مدل های پیشنهادی بر مبنای GP می باشد. به عبارت دیگر، مقدار شاخص های آماری RMSE و NSE و R² و MAPE برای داده های آموزش در بهترین مدل GP به ترتیب برابر با MCM 3262/59 و 0/80 و 0/80 و 5/38 درصد و برای داده های آزمایش به ترتیب برابر با 3507/68 MCM و 78/78 و 0/0 و 6/67 درصد می باشد.
کلید واژگان: مصرف آب, پیش بینی, برنامه نویسی ژنتیک, شبکه عصبی مصنوعی, شهر نجف آباد}Improving the lifestyle of city residents is conditional on benefiting from high-quality urban infrastructure to satisfy daily demands. The urban water supply network is one of the most basic urban infrastructures, and its optimal design and service are essential during the planning period. Therefore, it is important to determine the actual amount of consumption and predict it for the future. For this purpose, in this research, a method based on artificial intelligence, i.e., genetic programming (GP), as well as Pearson's correlation coefficient data mining method, is proposed. The data mining method is applied here for the database, including daily data on temperature, precipitation, humidity, and the amount of daily water produced in Najafabad city (presenting the total water consumption) from the beginning of 2014 to the end of 2018, and the best set of input data vectors is selected. The selected data are used as input data vectors for the proposed. The obtained results are compared with the results of models based on artificial neural network (ANN). To investigate the performance of the models, R², RMSE, and NSE statistical indices are calculated. A comparison of the results indicates the acceptable performance of the proposed models based on the GP. In other words, the values of RMSE, NSE, R², and MAPE statistical indices for training data in the best GP model are equal to 3262.59 MCM, 0.80, 0.80, and 5.38%, respectively, and for test data equal to 3507.68 MCM, 0.78, 0.78, and 6.67%.
Keywords: Water consumption, prediction, Artificial Intelligence, Genetic programming, Artificial neural network, Najafabad City} -
فرونشست زمین در اثر بهره برداری بی رویه از آب های زیرزمینی و درنتیجه کاهش تراز سطح آب زیرزمینی در بسیاری از مناطق جهان از جمله ایران به عنوان یک خطر جدی آبخوان های دشت ها را مورد تهدید جدی قرار داده است. در این تحقیق با توجه به اهمیت مساله، فرونشست زمین در آبخوان دشت دامغان واقع در استان سمنان مورد مطالعه و بررسی قرار گرفت. بدین منظور، مقدار فرونشست بصورت میدانی در محل پیزومترها اندازه گیری گردید و سپس تغییرات مکانی آن با استفاده از روش های مرسوم مانند روش درون یابی کریجینگ، کو کریجینگ، درون یابی وزنی معکوس فاصله(IDW) مورد بررسی قرار گرفت. همچنین از مدل شبکه عصبی مصنوعی برای برآورد و درون یابی مقدار فرونشست مورد استفاده قرار گرفت. مقایسه بین برآورد مقادیر فرونشست با استفاده از مدل شبکه عصبی مصنوعی در مقایسه با روش درون یابی کوکریجینگ و IDW نشان می دهد، که مدل شبکه عصبی مصنوعی با ضریب تبیین721/0 و هچنین مقدار خطای RMSE برابر با 017/0 متر ، در مرحله صحت سنجی توانسته است عملکرد بهتری در مقایسه با روش های کوکریجینگ و IDW با مقدار خطای RMSE برابر با 031/0 و 037/0 متر داشته باشد. استفاده از مدل شبکه عصبی مصنوعی مقدار خطای RMSE را در مقایسه با دو روش کوکریجینگ و IDW به ترتیب 3/46 و 4/54 درصد کاهش داده است. لذا مدل شبکه عصبی مصنوعی می تواند با دقت مناسبی به عنوان روش جایگزین به جای روش های مرسوم درون یابی یادشده برای بررسی تغییرات مکانی فرونشست زمین مورد استفاده قرار گیرد.کلید واژگان: مدل سازی, فرونشست, شبکه عصبی مصنوعی, درون یابی}Indiscriminate exploitation of groundwater has caused a decrease in the groundwater level and as a result, has caused land subsidence in many areas. This problem is especially visible in arid and semi-arid regions like Iran, where water supply for agriculture, drinking, and industry is done from groundwater water sources, and in recent years, it has seriously threatened the aquifers of the plains as a serious danger. In this research, due to the importance of the problem, land subsidence in the Damghan Plain aquifer located in Semnan province was studied and investigated.In this research, the amount of subsidence was measured at the field, and then its spatial changes were investigated using conventional methods such as Kriging interpolation, Co-kriging, and inverse distance weighted interpolation (IDW). Also, the artificial neural network model was used to estimate and interpolate the amount of subsidence. Three statistical indices namely the coefficient of correlation (R2), the root mean square error (RMSE), and the mean absolute error (MAE) were used to compare the estimation of subsidence values using an artificial neural network model, kriging interpolation method, cokriging, and IDW. To perform interpolation using kriging, cokriging, and IDW interpolation methods, the variogram of land subsidence data was drawn. Also, in order to increase the accuracy of the mentioned models in predicting the amount of subsidence, the auxiliary variable of water level reduction was used.Using different functions such as circular, spherical, exponential, Gaussian, and linear models for plotting the semivariogram, results show that the Gaussian function with segment-to-threshold ratio (C0/(C0+C)) equal to 0.26 has better performance compared to other models. Also, the artificial neural network has a better performance compared to the kriging method and the inverse weighted distance method and has been able to reduce the RMSE error value in the validation stage by 17.6% and 31.3%, respectively. It has also increased the value of the R2 from 0.502 and 0.421 to 0.721.The use of the auxiliary variable of water level reduction has increased the accuracy of the models used in predicting the amount of subsidence. In this case, the comparison between the estimation of subsidence values using the artificial neural network model compared to the interpolation method of kriging, cokriging, and IDW shows that the artificial neural network model with a coefficient of determination (R2) of 0.860 and 0.751 and 0.015 and 0.017, has a better performance compared to the mentioned methods and reduce the amount of prediction error. Therefore, the artificial neural network model can be used with good accuracy as an alternative method instead of conventional interpolation methods to investigate the spatial changes of land subsidence.In recent years, the phenomenon of land subsidence has occurred in many plains of Iran due to excessive extraction of underground water, including Damghan Plain. In this research, by using the measured data of land subsidence in this plain, its spatial changes were investigated using kriging and cokriging methods (geostatistics method), inverse distance weighted method (IDW), and weighted IDW (deterministic method) in the whole plain. it placed. The research results showed:• Compared to circular, spherical, exponential, and linear functions, the Gaussian function can better estimate the spatial changes of land subsidence.• The results of the kriging method were better than the inverse distance weighted (IDW) method.• The artificial neural network model with Gauss function and two intermediate layers has better performance than other transfer models such as sigmoid, hyperbolic tangent, and hyperbolic Bade secant.• The use of artificial neural network model has increased the accuracy of land subsidence estimation compared to conventional methods such as the kriging method and inverse weighted distance method.Keywords: Modeling, Subsidence, Interpolation, artificial neural network}
-
سابقه و هدف
در کشور ایران شرایط اقلیمی به گونه ای است که حتی در پربارانترین مناطق کشور، به منابع آب زیرزمینی نیاز است و همه ساله این نیاز بیشتر میشود. از آنجا که آبهای زیرزمینی یکی از ارزشمندترین منابع آب در کشور ایران بهشمار میروند، پیش بینی تغییرات آن به منظور بهره برداری بهینه با هدف توسعه پایدار بسیار ضرورت است. یکی از پیچیده ترین فرآیندهای هیدرولوژیکی در طبیعت، فرآیند بارش-تراز آب زیرزمینی است که متاثر از پارامترهای مختلف فیزیکی و هیدرولوژیکی است. اگرچه مدل های مختلفی برای پیش بینی تغییرات تراز آب زیرزمینی با استفاده از الگوی بارش ارایه شده است اما به مدل تابع انتقال کمتر توجه شده است. از این رو هدف اصلی این پژوهش معرفی و استفاده از مدل تابع انتقال جهت پیش بینی تراز آب زیرزمینی ماهانه با استفاده از آمار بارش و مقایسه نتایج آن با مدل های شبکه عصبی-فازی و شبکه عصبی مصنوعی می باشد.
مواد و روش هادر پژوهش حاضر از آمار 30 ساله (1400-1371) ایستگاه های هواشناسی و چاه های مشاهده ای در 3 حوضه آبخیز گالیکش، رامیان و محمدآباد جهت مدل سازی بارش-تراز آب زیرزمینی استفاده شد.سپس، با توجه به اینکه سال های نزدیک تر به زمان حال اطلاعات دقیق تری از وضعیت این زمان دارند، سال ها به صورت فرآیند پیش رو در شبکه های عصبی مصنوعی در نظر گرفته شد. برازش مدل و پیش بینی مقادیر تراز آب زیرزمینی با استفاده از داده های بارش برای 12 ماه آینده به کمک سه مدل شبکه عصبی مصنوعی (ANN)، شبکه عصبی-فازی (ANFIS) و تابع انتقال (TF) انجام شد. برای این منظور از نرم افزارهای MINITAB SAS, SPSS, و R استفاده شد. در مرحله بعد اعتبارسنجی مقادیر پیش بینی شده توسط مدل ها با استفاده از 3 شاخص میانگین قدرمطلق فاصله (MAD)، ریشه مربع میانگین خطا (RMSE) و میانگین قدرمطلق درصد خطا (MAPE) مورد ارزیابی قرار گرفت.
یافته هانتایج حاصل از نمودارهای خودهمبستگی نگار تراز آب زیرزمینی چاه ها نشان داد، تمامی سری های زمانی دارای روند فصلی با دوره 12 ماهه هستند. بر اساس نمودارهای خودهمبستگی متقابل نیز مشخص شد که اثر مستقیم بارش بر تراز آب زیرزمینی در دو حوضه آبخیز گالیکش و محمدآباد با تاخیر 3 ماهه و در حوضه آبخیز رامیان با تاخیر یک ماهه انجام شده است. نتایج اعتبارسنجی مدل ها با کمک 3 شاخص MAD، RMSE و MAPE نشان داد که مدل شبکه عصبی مصنوعی جهت پیش بینی تراز آب زیرزمینی با استفاده از داده های بارش ماهانه در هر 3 حوضه آبخیز مورد بررسی دارای مناسب ترین عملکرد می باشد (RMSE=0.0778, 0.0243, 0.0532m) و مدل شبکه عصبی-فازی (RMSE=0.1841, 0.0832, 0.1012m) در رتبه دوم قرار دارد. اگرچه مدل تابع انتقال نسبت به دو روش دیگر دقت کمتری داشت (RMSE=0.5711, 0.5023, 0.3234m)، اما این مدل در برازش مقادیر تراز آب زیرزمینی ماهانه عملکرد مناسبی داشته است. این مدل در شناسایی تاخیر در تاثیرگذاری بین متغیرهای ورودی و خروجی و همچنین بیان مدلی که می توان بر اساس آن نحوه اثرگذاری بارش را به صورت یک مدل بیان کرد، بسیار موثر است.
نتیجه گیرینتایج این پژوهش نشان داد که برای پیش بینی تراز آب زیرزمینی با کمک مقادیر بارش ماهانه، می توان از هر 3 مدل شبکه عصبی مصنوعی، شبکه عصبی-فازی و تابع انتقال استفاده کرد. برای 3 مدل مورد استفاده بیش برآوردی و کم برآوردی پیوسته که باعث افزایش خطا و کاهش عملکرد مدل ها می شود، مشاهده نشد. همچنین هر 3 مدل در تشخیص روندها و تغییرات داده ها عملکرد مناسبی دارند. با این وجود عملکرد مدل شبکه عصبی مصنوعی نسبت به دو مدل دیگر از دقت بالاتری برخوردار است. علاوه بر این هنگامی که از عملکرد پیش رو در مدل سازی شبکه عصبی مصنوعی استفاده می شود نسبت به حالتی که از سری کامل داده ها استفاده می شود، کارایی مدل به نحو چشمگیری بهبود می یابد.
کلید واژگان: تراز آب زیرزمینی, بارش, شبکه عصبی مصنوعی, شبکه عصبی-فازی, تابع انتقال}In Iran, the climatic conditions are such that even in the rainiest areas of the country, there is a need for groundwater resources, and this demand is increasing every year. Since, groundwater is one of the most valuable water resources in Iran, it is very necessary to predict its changes in order to use it optimally with the aim of sustainable development. One of the most complex hydrological processes in nature is the rainfall-groundwater level process, which is affected by various physical and hydrological parameters. Although, various models have been presented to predict the changes in the groundwater level using the rainfall patterns, but less attention has been paid to the transfer function model. Hence, the main objective of this research is to introduce and use the transfer function (TF) model to predict the monthly groundwater level using rainfall data and to compare its results with ANFIS and Artificial Neural Network (ANN) models.In the present study, 30-year data (1992-2021) of meteorological stations and observation wells in 3 watersheds of Galikesh, Ramian and Mohamadabad were used to model the rainfall and groundwater level. of the Gorganroud river basin.Then, considering that the years closer to the present time have more accurate information about the situation of this time, the years were considered as a forward process in artificial neural networks. The model fitting and prediction of the groundwater level values using rainfall data for the next 12 months was performed with applying three models: Artificial Neural Network (ANN), Adaptive neuro fuzzy inference system (ANFIS), and transfer function (TF). For this purpose, MINITAB SAS, SPSS, and R software were used. Next step, the validation of the values predicted by the models was evaluated using three indices Mean Absolute Distance (MAD), Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE).The results of the autocorrelation plots of the groundwater level of the wells revealed that all time series have a seasonal trend with a period of 12 months. Based on the cross-correlation plots, it was also found that rainfall has direct effect on the groundwater level in the two watersheds of Galikesh and Mohamadabad with lag time of three months and in the Ramian watershed with a delay of one month. The validation results of the models using three indexes MAD, RMSE and MAPE revealed that the artificial neural network model for predicting the groundwater level using monthly rainfall data in all three investigated watersheds had the most appropriate performance (RMSE=0.0778, 0.0243, 0.0532m) and the ANFIS model is ranked second (RMSE=0.1841, 0.0832, 0.1012m). Although the transfer function model was less accurate than the other two methods (RMSE=0.5711, 0.5023, 0.3234m), but this model has performed well in fitting the monthly groundwater level values. This model is very effective in identifying the delay in the impact between the input and output variables, as well as expressing the model based on which the impact of rainfall can be expressed as a model.The results of this research show that all three models of artificial neural network, ANFIS and transfer function can be used to predict the groundwater level using monthly rainfall values. Consecutive overestimation and underestimation, which increases the error and decreases the performance of the models, was not observed for the three used models. Also, all three models perform well in detecting trends and data changes. However, the artificial neural network model is more accurate than the other models. In addition, when forward process is used in artificial neural network modeling, compared to the case where the complete series of data is used, the efficiency of the model is significantly improved.
Keywords: groundwater level, Rainfall, Artificial neural network, ANFIS, Transfer Function} -
مطالعه حاضر با هدف برآورد درصد ذرات خاک با استفاده از روش طیف سنجی مریی و مادون قرمز نزدیک در منطقه سمیرم استان اصفهان انجام بود. تعداد 200 نمونه خاک سطحی (10 سانتی متری) از منطقه سمیرم اصفهان (طول جغرافیایی 17 51 تا 3 52 شرقی وعرض جغرافیایی 42 30 تا 51 31 شمالی) جمع آوری گردید. نمونه ها هواخشک شدند و از الک دو میلی متری عبور داده شدند و درصد ذرات خاک در آزمایشگاه با روش هیدرومتری تعیین شد. همچنین طیف سنجی نمونه های خاک با استفاده از دستگاه طیف سنج زمینی انجام گرفت. سپس روش های پیش پردازش مشتق اول با فیلتر ساویتزکی گلای، تصحیح پخشیده چندگانه و متغیر نرمال استاندارد بر روی طیف ها انجام شدند. برای برقراری ارتباط بین درصد ذرات خاک با ویژگی های طیفی آن از مدل های رگرسیون حداقل مربعات جزیی، ماشین بردار پشتیبان و شبکه عصبی استفاده گردید. بهترین نتیجه برای برآورد سیلت با استفاده از شبکه عصبی مصنوعی با روش پیش پردازش تصحیح پخشیده چندگانه با RPD (نسبت انحراف معیار به RMSE) بیشتر از 2، 98/0=R2 و کمترین مقدار g/Kg 08/1=RMSE به دست آمد. نتایج مطلوبی نیز برای مدل شبکه عصبی مصنوعی به ترتیب با روش های پیش پردازش تصحیح پخشیده چندگانه و متغیر نرمال استاندارد برای مقادیر رس (RPD بیشتر از 2، 94/0=R2 و کمترین مقدار g/Kg 21/1=RMSE-) و شن (انحراف پیش بینی باقی مانده بیشتر از 2، 84/0=R2 و کمترین مقدار g/Kg08/1=RMSE) به دست آمد. به طور کلی، براساس نتایج این مطالعه، طیف سنجی مریی مادون قرمز نزدیک در برآورد درصد ذرات خاک موفق بوده است و قابلیت جانشینی با روش های آزمایشگاهی را دارد.
کلید واژگان: روش های پیش پردازش, رگرسیون حداقل مربعات جزئی, شبکه عصبی مصنوعی, رگرسیون ماشین بردار پشتیبان, طیف سنجی}The present research performed to estimate soil texture using visible near-infrared spectrometry in Semirom, Isfahan. A total number of 200 soil samples (0-10 cm) were collected from the Semirom area (51º 17' - 52º 3' E; 30º 42' - 31º 51' N), Isfahan. The samples were air dried and passed through a 2 mm sieve, and soil particles percentage was determined in the laboratory using hydrometry method. Reflectance spectra of all samples were measured using an ASD field spectrometer. Different pre-processing methods i.e., First Derivatives and Savitzky-Golay Filter, Multiplicative Scatter Correction and Standard Normal Variable were applied and performed on spectral data. The Partial Least Squares Regression, Support Vector Machine Regression and Artificial Neural Network models were used to estimate soil texture. The best result was obtained for Silt estimation, with excellent values of RPD >2, R2 =0.98 and RMSE=1.08 using Artificial Neural Network model with MSC pre-processing technique. The results indicated the desirable capability of Artificial Neural Network model with MSC and SNV pre-processing techniques in estimating the Clay (RPD >2, R2=0.94 and RMSE=1.21) and Sand (RPD >2, R2=0.84 and RMSE=6.24) contents of the soils, respectively. In general, based on the results of this study, VNIR spectroscopy was successful in estimating soil particles percentage and showed its potential for substituting laboratory analyses.
Keywords: Artificial Neural Network, Partial Least Squares Regression (PLSR), Pre-processing methods, Spectroscopy, Support Vector Machine Regression} -
Drought crisis, although traditionally limited to central provinces, desert, and hot and dry places, but recent research has shown that in recent years, the plains of the Lake Urmia, such as the Miandoab plain, have been affected by drought, and has undergone a sharp decline in groundwater levels and subsequently reduced quality. n this research, the rate of variation in quality parameters of groundwater such as TH, TDS, EC, pH, SAR, which was collected by the regional water company of West Azarbaijan in the years 2002 and 2011, has been investigated. The statistical data of 2002 were mapped by statistical and Kriging method and stored in a regular grid of 31 * 26 in GIS software. This data is stored as a text file and used in the simulation of the artificial neural network. The results showed that the MLP model with M6 structure has a correlation coefficient of 0.92 and a mean square error of 0.562, and it can simulate groundwater quality in Mianodab Plain. Also, in predicting values of the absorption sodium ratio between 2003 and 2011, the correlation coefficient showed 0.69 satisfactory results. Finally, with sensitivity analysis, respectively, chlorine, acidity, and phosphate have the greatest effect on simulation and prediction of sodium adsorption rates.
Keywords: Prediction, Geostatistics, Artificial neural network, Sodium Absorption Ratio, Miandoab} -
سابقه و هدف
نفوذ آب به خاک نقش مهمی در مدیریت صحیح آبیاری، ذخیره رطوبت در خاک به ویژه در مناطق خشک و نیمه خشک و افزایش عملکرد زراعی ایفا می نماید. آگاهی از نفوذ آب به خاک اهمیت زیادی در طراحی و اجرای راهکارهای حفاظت آب، کنترل سیل و روان آب و مدیریت فرسایش خاک دارد. همچنین، سنجش دقیق مقادیر نفوذ آب به خاک با توجه به زمان برای برآورد آب ذخیره شده در ناحیه ریشه گیاه، اهمیت زیادی در طراحی و برنامه ریزی های آبیاری و مدیریت زراعی دارد. بنابراین، تهیه نقشه های دقیق از نفوذپذیری خاک می تواند در مدیریت اراضی و پیاده سازی کشاورزی دقیق نقش مهمی داشته باشد. هدف پژوهش حاضر، بررسی امکان تخمین نفوذ آب به خاک در زمان های مختلف با استفاده از توابع پیش بینی مکانی خاک و تخمین گرهای مکانی بود.
مواد و روش هادر این مطالعه، 72 نمونه خاک به صورت تصادفی از زمین های دشت مرودشت، استان فارس برداشت شد. در نقاط انتخاب شده چگالی ظاهری خاک، میزان شن، سیلت، رس، pH، قابلیت هدایت الکتریکی، کربنات کلسیم معادل خاک، سدیم محلول، کلسیم و منیزیم محلول و کربن آلی خاک اندازه گیری شدند. به منظور اندازه گیری نفوذ آب به خاک از روش استوانه های مضاعف استفاده شد. برای پی ریزی توابع پیش بینی مکانی خاک به منظور برآورد نفوذ تجمعی آب به خاک در زمان های 5، 10، 20، 45، 90، 150، 210 و 270 دقیقه از انواع مدل ها از قبیل رگرسیون، شبکه عصبی مصنوعی و تخمین گرهای مکانی استفاده گردید. در پژوهش حاضر، از داده هایی شامل خصوصیات زودیافت خاک اندازه گیری شده به همراه متغیرهای محیطی (اطلاعات سنجش از دور و توپوگرافی) در قالب توابع پیش بینی مکانی خاک استفاده گردید.
یافته هانتایج حاصل از ارزیابی مدل های رگرسیونی و شبکه عصبی مصنوعی پی ریزی شده براساس آماره های ارزیاب شامل میانگین خطا، ریشه میانگین مربعات خطا و ضریب تبیین در فاز آزمون نشان داد که مدل های شبکه عصبی مصنوعی توسعه یافته در مطالعه حاضر در مقایسه با مدل های رگرسیونی برای برآورد نفوذ تجمعی آب به خاک در زمان های مختلف برتری داشتند. افزون بر این، نتایج ارزیابی تخمین گرهای مکانی متفاوت در منطقه مورد مطالعه نشان داد که تخمین گر مکانی تلفیقی شبکه عصبی-کریجینگ در مقایسه با تخمین گر مکانی کریجینگ معمولی، از کارآیی بیشتری در برآورد نفوذ تجمعی آب به خاک برخوردار بود.
نتیجه گیرینتایج این مطالعه نشان داد که به کارگیری توابع پیش بینی مکانی خاک (استفاده از اطلاعات کمکی به همراه ویژگی های زودیافت خاکی جهت تخمین نفوذ تجمعی آب به خاک در زمان های مختلف)، پتانسیل بسیار خوبی در تخمین مکانی نفوذ تجمعی آب به خاک در اکثر زمان های مورد نظر برخوردار بود.
کلید واژگان: تخمین گرهای مکانی, رگرسیون خطی چندگانه, شبکه عصبی مصنوعی, نفوذ آب به خاک}Background and ObjectivesWater infiltration to soil play an important role in irrigation management, storage moisture in soil especially in dry and semi-dry area and increasing agronomy yield. Understanding water infiltration to soil is of important in designing and applying water conservation methods, flood and runoff control and soil erosion management. Additionally, accurately measuring water infiltration to soil in different times is more important for predicting water storage in root zone, irrigation designing and planning and agronomy management. In other hand, water infiltration to soil is a base for precision agriculture, therefore, producing accurate maps for water infiltration to soil play an important role in land management and applying precision agriculture. Modeling soil water infiltration at the field scale with ruler of calcareous, saline and sodic conditions is important for a better understanding of infiltration processes in these soils and future of infiltration modeling. The present study aimed for estimating water infiltration to soil at different times using soil spatial prediction functions and spatial estimators.
Materials and methodsin present study, 72 soil samples were collected using a random sampling method in Marvdasht plain, Fars Province. In selected points, soil bulk density, sand silt, clay, pH, electrical conductivity, calcium carbonate, solution sodium, solution calcium and magnesium and organic carbon contents. For measuring water infiltration to soil, the double ring method were used. Multiple linear regression (MLR), artificial neural network (ANN) and spatial estimators were used for deriving soil spatial prediction functions models between water infiltration to soil in different times including 5, 10, 20, 45, 90, 150, 210 and 270 min. In this study, the readily available soil properties and auxiliary variables such as remote sensing and topography data were used in soil spatial prediction functions.
ResultsThe results of evaluating regression and artificial neural networks models based on the mean error (ME), coefficient of determination (R2) and root mean square error (RMSE) criteria in testing phase were showed that the developed artificial neural network models in present study performed better than multiple linear regression models in water infiltration to soil prediction at different times. Moreover, the results showed that the combined estimators (artificial neural network - Kriging) performed better than ordinary kriging model for estimating water infiltration to soil.
ConclusionIn totally, the results of this study showed that the applying soil spatial prediction functions (using auxiliary variables such as remote sensing data and topography data with the readily available soil properties) had a great potential to predict spatial estimation of water infiltration to soil at most considered times.
Keywords: Artificial neural network, multiple linear regression, Spatial estimators, Water infiltration to soil} -
استفاده از روش های مختلف داده کاوی در پیش بینی خشک سالی متداول است. با این حال، به طور عمده انتخاب مدل برتر بر مبنای دقت شبیه سازی صورت می گیرد. درحالی که در اغلب مطالعات به ویژگی های ساختاری مدل ها کم تر توجه شده است. در این مقاله کارایی مجموعه ای از متداول ترین مدل های داده کاوی شامل شبکه عصبی مصنوعی چندلایه پرسپترون (ANN-MLP)، شبکه عصبی با تابع پایه شعاعی (ANN-RBF)، درخت تصمیم رگرسیونی (CART)، مدل درختی (M5P) و ماشین بردار پشتیبان (SVM) جهت پیش بینی بارش یک سال بعد ایستگاه سینوپتیک بندر عباس ارزیابی شده و ویژگی های هر یک از آن ها تشریح می شود. واسنجی و صحت سنجی مدل ها با استفاده از داده های خام و میانگین متحرک سه ساله پارامترهای اقلیمی در بازه آماری 1347 تا 1396 انجام شد. عملکرد مدل ها با استفاده از پارامترهای آماری مختلف و نمودارهای مقایسه ای ارزیابی شد. نتایج نشان داد مدل های SVM و M5P به ترتیب با مقادیر RMSE برابر 93/7 و 31/8 میلی متر، MAE برابر 66/3 و 69/4 میلی متر و ضریب همبستگی 83/0 و 82/0 کارایی مطلوبی در پیش بینی بارش دارند. هم چنین، به استثنای مدل CART، تغییر در ابزار داده کاوی تفاوت هشت تا 11 درصدی در دقت تخمین ها ایجاد می کند؛ بنابراین انتخاب مدل مناسب تر باید بر مبنای سایر ویژگی های روش ها در کنار میزان دقت آن ها صورت پذیرد. به علاوه، بهره گیری از میانگین متحرک سه ساله به طور متوسط ضریب همبستگی را حدود 78 درصد افزایش و RMSE را حدود 63 درصد کاهش داده است. تحلیل وضعیت درازمدت خشک سالی نشان داد با افزایش طول دوره شاخص بارش استاندارد، میزان تفکیک سال های مرطوب و خشک مشخص تر می شود.کلید واژگان: درخت تصمیم, شاخص بارش استاندارد, شبکه عصبی مصنوعی, ماشین بردار پشتیبان}It is common to use different data mining methods in drought prediction. However, the selection of the best model is mainly based on the accuracy of the simulation, while most of the studies do not mention the features of the models. In this paper, the performance of the most common data mining models, including Multilayer Perceptron Artificial Neural Network (ANN-MLP), Radial Base Function Neural Network (ANN-RBF), Regression Decision Tree (CART), Model Tree (M5P), and Support Vector Machine (SVM) is evaluated in order to predict monthly one year ahead rainfall at Bandar Abbas synoptic station and then the characteristics of each of them are described. Calibration and validation of the models were done using raw data and a three-year moving average of climatic parameters from 1347 to 1396. The performance of the models has been evaluated using different statistical indices and comparative diagrams. The results showed that the SVM and M5P models have good prediction performance with RMSE of 7.93 and 8.31 mm, the MAE of 3.66 and 4.69 mm, and the CC of 0.83 and 0.82, respectively. Also, with the exception of the CART, the change in the data mining tool makes an eight to 11 percent difference in the accuracy of the estimates. Therefore, the most appropriate model should be selected based on other characteristics of the methods besides their accuracy. In addition, using the three-year moving average of the input parameters has increased the correlation coefficient by about 78 percent and reduced the RMSE by about 63 percent. The analysis of the long-term drought situation showed that with the increase in the period of the standard precipitation index, the separation of wet and dry years becomes more specific.Keywords: Artificial Neural Network, Decision Tree, Standard Precipitation Index, Support vector machine}
-
در این مطالعه تراز سطح آب زیرزمینی دشت آسپاس واقع در شمال غربی حوضه آبریز دریاچه های طشک-بختگان مهارلو در استان فارس با استفاده از داده های 39 پیزومتر در محدوده آبخوان در دوره آماری 96-1380 شبیه سازی شد. در این خصوص از دو مدل K-Star و ANN با تاخیرهای 1، 2 و 3 در دو فاز آموزش و آزمایش استفاده شد. مدل ANN در این مطالعه علاوه بر تاخیرهای یاد شده با تعداد لایه پنهان و نورون متفاوت نیز مورد بررسی قرار گرفت. با توجه به افت و نوسانات سطح آب زیرزمینی در دوره آماری یاد شده، آبخوان مورد مطالعه به 4 منطقه a، b، c و d تقسیم شد. نتایج شبیه سازی تراز سطح آب زیرزمینی در منطقه a نشان داد که مدل K-Star با 2 تاخیر در این منطقه عملکرد بهتری نسبت به مدل ANN در تاخیرهای مختلف داشته است. اما در سه منطقه دیگر مدل ANN با تاخیر 1 بهترین عملکرد را ارایه کرده است. مدل ANN با 2 لایه پنهان و 4 نورون در منطقه b، با 2 لایه پنهان و 6 نورون در منطقه c و با 4 لایه پنهان و 5 نورون در منطقه d بهترین الگو برای شبیه سازی مقادیر تراز سطح آب زیرزمینی معرفی شدند. به طور متوسط الگوهای برتر معرفی شده در مناطق b، c و d توانستند میزان خطا را نسبت به مدل K-Star به ترتیب حدود 57، 42 و 81 درصد بهبود بخشند. عملکرد ضعیف مدل K-Star در دو منطقه b و d نیز به وضوح قابل مشاهده می باشد. به طور کلی نتایج نشان داد که تاخیر 1 مدل ANN در مناطق سه گانه b، c و d با تعداد لایه پنهان و نرون های مختلف بهترین عملکرد را در شبیه سازی مقادیر تراز سطح ایستابی داشته است.
کلید واژگان: افت سالانه, پیزومتر, شبکه عصبی مصنوعی, مدل K-Star, نوسان آب زیرزمینی}In this study, the groundwater level of Aspas Plain, located in the northwest of the catchment area of Tashk and Bakhtegan Lakes in Fars province, was simulated using the data of 39 piezometers in the aquifer plain in the period of 2001-2017. In this regard, K-Star and ANN models with 1, 2 and 3 lags were used in two phases of training and testing. ANN model in this study was also investigated with the number of hidden layers and different neurons in addition to the mentioned lags. According to the drop and fluctuations of the groundwater level in the mentioned statistical period, the studied aquifer was divided into 4 regions a, b, c and d. The results of the simulation of the groundwater level in area “a” showed that the K-Star model with 2 lags performed better than the ANN model in different lags. But in the other three regions, the ANN model with a lag-1 has provided the best performance. ANN model with 2 hidden layers and 4 neurons in region b, with 2 hidden layers and 6 neurons in region c, and with 4 hidden layers and 5 neurons in region d were introduced as the best model for simulating groundwater level values. On average, the best models introduced in regions b, c and d were able to improve the error rate by 57, 42 and 81%, respectively, compared to the K-Star model. The poor performance of the K-Star model in two regions b and d is also clearly visible. In general, the results showed that lag-1 of the ANN model had the best performance in simulating the values of the groundwater level in the three regions b, c and d with the number of hidden layers and different neurons.
Keywords: Annual Decline, Artificial Neural Network, Fluctuation of Groundwater, K-Star Model, Piezometer} -
تغییرات کاربری اراضی به ویژه اراضی کشاورزی، تاثیر بسزایی در خرداقلیم و مدیریت منابع طبیعی و تبادل شار مابین سطح زمین و جو دارد. سنجش ازدور، یکی از روش های قابل اعتماد و دقیق در تهیه نقشه های کاربری اراضی بویژه در گسترهای وسیع می باشد.هدف از این مطالعه تهیه نقشه کاربری اراضی و آشکارسازی تغییر سطح پوشش مشتمل بر صنعتی، کشاورزی ، مسکونی و بایر در شهرستان زرند واقع در استان کرمان در سال های 1366 و 1399 ، با استفاده از تصاویر ماهواره ای می باشد. به منظور طبقه بندی کاربری اراضی در هریک ازین گروه های 4 گانه، از سه روش حداکثر درستنمایی، شبکه عصبی مصنوعی و ماشین بردار پشتیبان استفاده شد که ماشین بردار پشتیبان به عنوان روش برگزیده انتخاب گردید. به طورکلی نتایج نقشه های کاربری اراضی در سال های مورد مطالعه حاکی از افزایش 64 هکتاری بخش کشاورزی، 17 هکتاری بخش شهری و 2 هکتاری بخش صنعتی می باشد. افزایش مناطق صنعتی شهرستان و افزایش مناطق با کاربری کشاورزی دو مورد بسیار با اهمیت در تغییر محتمل الگوهای کشت و اقلیم کشاورزی منطقه بوده و شایسته توجه بیشتر در برنامه ریزی های بلند مدت زیست محیطی منطقه است.
کلید واژگان: اقلیم کشاورزی, شبکه عصبی مصنوعی, کاربری اراضی, ماشین بردار پشتیبان, Etm+}Land-use changes especially agricultural lands have a significant impact on the microclimate of a region,natural resrource managrment and land-atmoshptre interactions .Remote sensing is a reliable and precise techniques in generating land-use maps. The aim of this study, is producing to a land use map by and detection of land cover pattern changes including urban,industrial agricultural and fallow land in Zarand region, Kerman province,south of Iran, during 1987 to 2020. In order to classify land use in four above mentioned types, three methods of maximum likelihood, artificial neural network, and support vector machine were used. The support vector machine was found to be the best performing method. In general, the generated land-use maps in the studied years showed an increase of 64,17 and 2 hectares in the agricultural, urban and industrial land uses, respectively. The observed increase in industrial and agricultural lands are quite important in possible changes of cropping pattern and agroclimatic condtion of the region and needs further investigatin in long term environmental management planing.
Keywords: Agro-climate, Artificial Neural Network, Etm+, Land-use, Support Vector Machine} -
سابقه و هدفکربن آلی خاک نقش بسیار مهمی در افزایش تولید محصولات کشاورزی، کاهش فرسایش خاک و کاهش انتشار گازهای گلخانه ای دارد. درک بهتر از مقدار و ذخیره کربن آلی خاک برای استفاده از خاک و حفظ بهره وری آن موثر و ضروری می-باشد. مراتع گسترده منطقه فندوقلو در استان اردبیل به طور بالقوه می توانند مقادیر قابل توجهی از کربن را حفظ و ترسیب کند اما به دلیل افزایش جمعیت در معرض تغییر کاربری اراضی قرار دارند. چنین تنش هایی منجر به تخریب زمین و کاهش ترسیب کربن در برخی قسمت ها خواهد شد. بنابراین هدف این مطالعه شناسایی متغیرهای طبیعی موثر در ترسیب و تراکم کربن آلی خاک انجام شده است که میتوان از متغیرهای شناسایی شده برای اصلاح و کاهش تخریب مراتع و اراضی زراعی در منطقه فندوقلو استفاده کرد.مواد و روش هابا استفاده از تکنیک ابر مکعب لاتین و متغیرهای مکانی مانند نقشه های خاک، کاربری اراضی و زمین شناسی، محل نقاط نمونه برداری تعیین شد. برای هر واحد کاربری (مرتع یا زراعی) 70 نمونه خاک سطحی مرکب (در کل 140 نمونه) از عمق صفر تا 15 سانتی متری جمع آوری شد. پس از آماده سازی نمونه های خاک، خصوصیات فیزیکی و شیمیایی خاک ها با توجه به روش های استاندارد اندازه گیری شد. مدل رقومی ارتفاعی از منطقه مورد مطالعه با استفاده از خطوط هم تراز نقشه توپوگرافی تشکیل و مشتقات اولیه و ثانویه ساخته شد. باندهای لندست هشت از درگاه زمین شناسی ایالات متحده استخراج و شاخص تفاضل نرمال شده پوشش گیاهی و نقشه حرارتی منطقه مورد مطالعه محاسبه شد. از مدل های رگرسیون خطی چندمتغیره و مدل شبکه عصبی مصنوعی با استفاده از داده های خاک، مدل رقومی ارتفاعی و مشتقات آن، شاخص تفاضل نرمال شده پوشش گیاهی و نقشه حرارتی به عنوان متغیرهای مستقل برای پیش بینی تراکم کربن آلی خاک استفاده شد. برای ارزیابی نتایج مدل ها، از ضریب تبیین و جذر میانگین مربعات خطا استفاده شد.یافته هااستفاده از مدل رگرسیون خطی چندمتغیره نشان داد که نیتروژن کل خاک، شاخص تفاضل نرمال شده پوشش گیاهی و میانگین وزنی قطر خاکدانه، 53 درصد تراکم کربن آلی خاک را در مراتع توجیه نمود در حالی که 46 درصد از تراکم کربن آلی خاک در کاربری زراعی توسط نیتروژن کل خاک و انحنای سطح توجیه گردید. نتایج آزمون تی جفتی، تفاوت معنی داری (01/0>P) بین تراکم کربن آلی خاک در کاربری مرتع و زراعی نشان داد. شبکه عصبی مصنوعی با آرایش 24-10-1 و تابع انتقال تانژانت سیگموییدی در لایه پنهان به-ترتیب 71 درصد و 82 درصد از تراکم کربن آلی خاک را در کاربری مرتع و زراعی توجیه نمود. جذر میانگین مربعات خطا مدل های رگرسیون خطی چندمتغیره برای پیش بینی تراکم کربن آلی خاک در کاربری مرتع و زراعی به ترتیب 07/1 و 04/1 بود، اما همین مقادیر در مدل شبکه عصبی مصنوعی به ترتیب برای کاربری مرتع و زراعی به 85/0 و 58/0 کاهش یافت. تحلیل حساسیت نشان داد که مدل شبکه عصبی مصنوعی به شدت به مدل رقومی ارتفاعی و رطوبت خاک در نقطه پژمردگی حساس هستند.نتیجه گیرینتیجه این مطالعه حاکی از معنی داری اثر پوشش گیاهی و میانگین وزنی قطر خاکدانه روی ترسیب کربن در کاربری مرتع بود. نتایج شبکه های عصبی مصنوعی که برای شبیه سازی تغییرات تراکم کربن آلی خاک مورد استفاده قرار گرفت، نشان دادند که این شبکه-ها می توانند با شناسایی اثرات این متغیرها در ردیابی بخش مهمی از تغییرات تراکم کربن آلی خاک در کاربری های مرتع و زراعی موفق عمل کنند. نتایج همچنین نشان داد که توابع انتقالی به دست آمده توسط پارامترهای توپوگرافیکی اولیه و ثانویه برای تخمین تراکم کربن آلی خاک می تواند در منطقه، مورد استفاده قرار گیرد.کلید واژگان: مدل رگرسیون چند متغیره خطی, شبکه عصبی مصنوعی, تحلیل حساسیت}Background and ObjectivesSoil organic carbon is very important in increasing the production of agricultural products and reducing soil erosion and greenhouse gas emissions. A better understanding of the amount and storage of soil organic carbon is essential to the use of soil and maintaining its productivity. The extended pastures of Fandoqloo region in Ardabil province potentially could support and sequestrate considerable amounts of carbon but they are subjected to land use change, high population and tourism. Such tensions led to land degradation and low carbon sequestration in some parts. This study aimed to find effective natural variables on soil carbon density and sequestration. Such variables could be applied for remediation and resilience of degraded pastures and croplands in Fandoghloo region.Materials and MethodsBy application of Latin Hypercube techniques and spatial variables like soil, land use and geological maps the location of sample points was determined. For each land use unit (pasture or cropland) 70 composite surface soil samples (in total 140 samples) were collected from zero to 15 cm deep. After pretreatments of soil samples, soil's physical and chemical properties were measured according to standard protocols. A digital elevation model of the study area was formed using digital isolines of topographic maps and primary and secondary derivates were constructed. Landsat 8 bands were extracted from the Geology Department site of the USA and Normalized difference vegetation index and thermal map of the study area were calculated. Multiple linear regression and artificial neural network models were applied and soil data, digital elevation model and its derivates, normalized difference vegetation index and land surface temperature map have entered the models as independent variables for the prediction of soil organic carbon density. To evaluate the results of the models, the coefficients of determination and root mean square error was used.ResultsApplication of multiple linear regression model indicated that total soil nitrogen, normalized difference vegetation index and mean weight diameter of aggregates justified 53% of soil organic carbon density in the pasture while 46% of soil organic carbon density in croplands land use was explained by total soil nitrogen and plane curvature. The results of the paired t-test showed a significant difference (P< 0.01) between soil organic carbon density of the pasture and cropland land use. An artificial neural network with an arrangement of 1-10-24 and tan-sigmoid transfer function in the hidden layer justified 71% and 82% of the soil organic carbon density in the pasture and croplands, respectively. Root mean square error of multiple linear regression models for predicting soil organic carbon density in the pasture and croplands were 1.07 and 1.04, respectively but of artificial neural network model was decreased to 0.85 and 0.58 for pasture and cropland, respectively. Sensitivity analysis revealed that the artificial neural network model was severely sensed to digital elevation model and soil moisture content at wilting point.ConclusionThe result of this study indicated the significance of natural vegetation cover and the mean weight diameter of soil aggregates for carbon sequestration in the pastures. Artificial neural networks performed to simulate changes in soil organic carbon density showed that these networks are successful in tracking an important part of soil organic carbon density changes at pasture and cropland land uses. In other words, artificial neural networks were able to identify the effects of these variables on soil organic carbon density using tracing and identifying the effects and interactions between an independent variable series with organic carbon density status. The results showed that transmission functions can be used by the data of primary and secondary topographic parameters for estimating soil organic carbon density in the region.Keywords: Multivariate linear regression model, Artificial neural network, Sensitivity analysis}
-
پیش بینی دقیق فشار آب حفره ای در بدنه سدهای خاکی حین ساخت، یکی از مهم ترین عوامل در مدیریت پایداری سدهای خاکی است. در این تحقیق با استفاده از سه مدل متفاوت شبکه عصبی تکاملی شامل شبکه عصبی پرسپترون چند لایه با الگوریتم ژنتیک، بهینه سازی ازدحام ذرات و الگوریتم رقابت استعماری برای تخمین فشار آب حفره ای در بدنه سدهای خاکی کبودوال استان گلستان در زمان ساخت مورد مطالعه و مقایسه قرار گرفته است. پنج ویژگی شامل تراز خاک ریزی، زمان ساخت سد، تراز مخزن (آبگیری)، سرعت آبگیری و سرعت خاک ریزی در طول دوره آماری 1388-1391 یا 4 ساله به عنوان ورودی مدل هیبریدی در پیزومتر EP19.7 انتخاب شدند. ترکیب ورودی ها با استفاده از روش انتخاب ویژگی و هیبرید الگوریتم چرخه آب-شبکه عصبی مصنوعی (WCA-ANN) به دست آمده است. با اجرای الگوریتم هیبریدی و آنالیز حساسیت و روش انتخاب ویژگی، تراز خاک ریزی، زمان ساخت سد، تراز آب گیری و سرعت آبگیری به عنوان چهار ورودی برتر انتخاب شدند زیرا ترکیب این 4 ویژگی با مقدارMSE برابر1587/1 کمترین خطا را دار بوده است. در این مطالعه وزن های شبکه عصبی به کمک سه الگوریتم فرا ابتکاری مذکور به منظور افزایش کارایی بهینه شده است. در حالت کلی با توجه به شاخص های آماری، نتایج حاکی از دقت قابل قبول هر سه مدل هیبریدی است. از لحاظ اولویت نیز مدل هیبرید ANN-GA با بیش ترین دقت و کمترین خطا و مقادیر ، RMSE و MAE به ترتیب برابر با 9773/0، 0457/0 و 0399/0 در اولویت اول و مدل های هیبریدی ANN-PSO و ANN-ICA به ترتیب در اولویت های بعدی قرار گرفتند.کلید واژگان: الگوریتم چرخه آب, الگوریتم ژنتیک, سد خاکی, شبکه عصبی مصنوعی, فشار آب حفره ای}Accurate prediction of pore water pressure in the body of earth dams during construction is one of the most important factors in managing the stability of earth dams. In this study, using three different evolutionary neural network models including multilayer perceptron neural network with genetic algorithm, particle swarm optimization and Imperialist Competitive algorithm for estimating the pore water pressure in the body of Kabudwal earth dam at the time of construction, has been studied. Five features including fill level, construction time, reservoir level, impounding rate and fill speed during the 4-year statistical period were selected as the input of the hybrid model in piezometer EP19.7. The composition of the inputs was obtained using the feature selection method and the hybrid water cycle algorithm -artificial neural network. By performing hybrid algorithm and sensitivity analysis and feature selection method, fill level, construction time, reservoir level and dewatering speed were selected as the top four inputs, because the combination of these four features with MSE value of 1.1587 had the least error. In this study, artificial neural network weights are optimized to increase efficiency using the above three meta-heuristic algorithms. In general, according to statistical indicators, the results indicate acceptable accuracy of all three hybrid models. In terms of priority, the ANN-GA hybrid model with the highest accuracy and minimum error and values of , RMSE and MAE are equal to 0.9773, 0.0457 and 0.0399, respectively, is first priority and ANN-PSO and ANN-ICA hybrid models were given the next priorities, respectively.Keywords: Artificial neural network, Earth dam, Pore water pressure, genetic algorithm, Water cycle algorithm}
- 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.