learning algorithm
در نشریات گروه آبخیزداری، بیابان، محیط زیست، مرتع-
با توجه به توزیع ناهمگون بارش، پیش بینی وقوع آن یکی از راه کارهای اولیه و اساسی برای پیش گیری از بلایای احتمالی و خسارات ناشی از آن است. با توجه به بالا بودن میزان بارندگی در شهرستان سردشت، روی آوردن مردم این شهرستان به کشاورزی در سال های اخیر و عدم استفاده از مدل های طبقه بندی در ایستگاه مورد مطالعه، پیش بینی هرچه دقیق تر پارامتر بارش روزانه امری ضروری است. از طرفی دیگر، با این که عملکرد مطلوب الگوریتم های تنبل و مدل های درختی باعث افزایش استفاده از آن ها برای پیش بینی پدیده های مختلف هیدرولوژیکی شده اما این الگوریتم ها در شهرستان سردشت مورد استفاده قرار نگرفته اند. لذا در این پژوهش، چهار مدل Kstar، M5P، الگوریتم یادگیری با وزن دهی محلی و جنگل تصادفی برای پیش بینی بارش روزانه ایستگاه سردشت به کار گرفته شده است. در این مطالعه از هفت پارامتر ورودی میانگین دما، حداکثر دما، رطوبت نسبی متوسط، حداکثر رطوبت نسبی، سرعت باد متوسط، حداکثر سرعت باد و ساعات آفتابی که هم زمان با بارش روزانه بودند، برای مدل ها استفاده شد. مقایسه و ارزیابی بین پارامترهای ورودی نشان داد که پارامتر ساعات آفتابی ازجمله مهم ترین پارامترهای ورودی بوده که نقش قابل توجهی در دقت پیش بینی مدل های مورد استفاده داشته است. نتایج به دست آمده نشان داد که مدل درختی M5P در سناریوی هفتم بهترین عملکرد را با بیش ترین ضریب همبستگی (734/0 میلی متر بر روز) نسبت به دیگر مدل ها داشته است. هم چنین، سناریوی هفتم عملکرد بالایی نسبت به بقیه سناریوها از خود نشان داد. لذا می توان گفت که افزایش ورودی مدل ها تا حدودی رابطه مستقیمی با دقت آن ها دارد. به طورکلی می توان گفت که مدل درختی M5P برای مدل سازی و پیش بینی بارش روزانه شهرستان سردشت مناسب بوده و برای استفاده های بعدی پیشنهاد می شود.
کلید واژگان: الگوریتم یادگیری، پیش بینی، سردشت، مدل سازی، مدل درختیDue to the heterogeneous distribution of precipitation, predicting its occurrence is one of the primary and basic solutions to prevent possible disasters and damages caused by them. Considering the high amount of precipitation in Sardasht County, the people of this city turning to agriculture in recent years and not using classification models in the studied station, it is necessary to predict the daily precipitation parameter as accurately as possible. On the other hand, although the optimal performance of lazy algorithms and tree models has increased their use for predicting various hydrological phenomena, these algorithms have not been used in Sardasht County. Therefore, in this research, four models Kstar, M5P, learning algorithm with local weighting, and random forest are used to predict the daily precipitation of Sardasht Station. In this study, seven input parameters of average temperature, maximum temperature, average relative humidity, maximum relative humidity, average wind speed, maximum wind speed, and sunshine hours which were the same time as daily rainfall were used for the models. The comparison and evaluation between the input parameters showed that the sunshine hours was one of the most important input parameters, which played a significant role in the prediction accuracy of the used models. The obtained results showed that the M5P tree model had the best performance in the seventh scenario with the highest correlation coefficient (0.734 mm/day) compared to other models. In addition, the seventh scenario showed a high performance compared to the rest of the scenarios. Therefore, it can be said that increasing the input of the models has a direct relationship with their accuracy. In general, it can be said that the M5P tree model is suitable for modeling and forecasting daily rainfall in Sardasht City and it is recommended for future use.
Keywords: Modeling, Learning algorithm, Prediction, Sardasht, Tree model -
سیلاب یکی از مهمترین بلایای طبیعی است که حیات و سرمایه بشری را تهدید می نماید. سد های پاره سنگی یکی از روش های ارزان قیمت جهت کنترل سیلاب محسوب میگردند. استفاده از این سدها سبب می شود که هیدروگراف سیل خروجی از آن، دارای دبی اوج کمتر و زمان پایه بزرگتری نسبت به هیدروگراف ورودی گردد. شبکه عصبی مصنوعی از جمله روش هایی است که می تواند با دقت مناسبی فرآیندهای پیچیده و غیرخطی را برآورد نماید. اما دقت پیشبینی آن به نوع الگوریتم یادگیری و تابع آستانه مورد استفاده بستگی دارد. در این تحقیق به منظور برآورد دبی خروجی از سدهای پاره سنگی و بر مبنای بکارگیری داده های آزمایشگاهی، مدل شبکه عصبی پرسپترون چندلایه با الگوریتم های یادگیری مختلف و تابعهای آستانه مورد ارزیابی قرار گرفت. سپس، دبی برآورد شده با روش شبکه عصبی مصنوعی با مقادیر حاصله از مدل عددی دو بعدی مقایسه گردید. نتایج نشان داد که مدل پرسپترون چندلایه با الگوریتم یادگیری دلتا بار دلتا و تابع آستانه تانژانت هایپربولیک با مقدار میانگین مربع خطا برابر با 00011/0، مقدار دبی خروجی از سد پاره سنگی را با دقت بالایی پیش بینی می نماید. همچنین شبکه عصبی مصنوعی با مقدار ضریب تعیین (962/0 =2R) همانند مدل عددی (984/0 =2R) ازعملکرد مطلوبی برخوردار بود. بنابراین میتوان برای تخمین دبی خروجی از سد های پارهسنگی، با بکارگیری شبکه عصبی مصنوعی بجای روش های عددی به مشکل پیچیدگی و زمان بر بودن روش های عددی فائق آمد.
کلید واژگان: سد پاره سنگی، برآورد دبی خروجی، شبکه عصبی مصنوعی، مدل عددی، الگوریتم یادگیریFlood is one of the most important natural disasters that threats human life and wealth. Application of rockfill dams is one of the low-cost methods for flood controlling. The use of these dams is resulted in higher peak discharge and shorter time in output flood hydrograph than those in input hydrograph. Artificial neural network (ANN) is one of the methods which can predict complex and non-linear processes at desirable level of accuracy. However، the accuracy of its prediction depends on the type of used learning algorithm and threshold function. In this study for estimation of flow through rockfill dam based on experimental data، multilayer perceptron model with different learning algorithms and threshold functions was evaluated. Afterwards، the output discharge values predicted by ANN method were compared with the values computed by two-dimensional numerical model. The results showed that the Multilayer perceptron model using Delta-Bar-Delta learning algorithm and Tanh threshold function with mean square error equal to 0. 00011 predicted the output discharge from rockfill dam with high accuracy. The ANN method with a R2 of 0. 962 performed as good as the numerical model (R2 =0. 984) for estimation of the mentioned parameter. Therefore، the drawback of the time-consuming and complex numerical methods analysis in estimating the output discharge of the dams can be overcome by using artificial neural network.Keywords: Rockfill dam, Output discharge estimation, Artificial neural network, Numerical method, Learning 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.