پیش بینی آب دهی رود فریزی با بهره گیری از محاسبه های نرم
پیش بینی دقیق جریان رود به عنوان یک منبع مهم آب شیرین روی زمین، در مهندسی و مدیریت منابع آب ضروری است؛ از این رو، توسعه ی فن آوری که آب دهی رود را پیش بینی کند، ضروری است. در این زمینه مدل های مختلفی به وسیله ی پژوهش گران پرشماری ارائه شده است. این مدل ها به دو دسته ی مدل های فیزیکی مبتنی بر اصول آب شناسی/آبی و مدل های مبتنی بر محاسبه های نرم تقسیم می شوند. تمام مقاله های چاپ شده شواهدی از اهمیت کاربرد مدل های مبتنی بر محاسبه های نرم برای مشکلات آب شناختی، به ویژه آب دهی رود هستند.
در این پژوهش برای پیش بینی آب دهی رود فریزی از مدل برنامه ریزی بیان ژن (GEP) و ماشین بردار پشتیبان (SVM) استفاده شد. در این پژوهش، از گروه روزانه آب دهی در ده سال (1399-1390) مربوط به ایستگاه آب سنجی موشنگ استفاده شد. میانگین بلندی منطقه ی بررسی شده 2171 متر از سطح دریا با طول جغرافیایی "30 '49 °58 تا "30 '4 °58 شرقی و عرض جغرافیایی "1 '20 °36 تا "1 '32 °36 است. از داده های آب دهی روزانه رود از 1 تا 5 روز قبل به عنوان ورودی مدل های GEP و SVM استفاده شد. به منظور اطمینان از همگنی و تکمیل کمبود داده های آب دهی استفاده شده از آزمون ران و ضریب همبستگی میان ایستگاه های هم جوار استفاده شد. سپس داده ها به شکل تصادفی به دو بخش، 80% برای آموزش و 20% برای آزمون و تعیین خطای مدل سازی تفکیک شدند. در مراحل آموزش و اعتبارسنجی براساس ریشه ی میانگین مربعات خطا (RSME)، ضریب همبستگی (R)، اریبی مدل، کارایی مدل کلینگ گوپتا (KGE) و نش-ساتکلیف (NSE) عملکرد مدل بررسی شد. در این پژوهش به منظور برآورد جریان ورودی به رود فریزی با کاربرد مدل SVM، سه نوع تابع کرنل رایج در آب شناسی شامل تابع های پایه ی خطی، چند جمله ای و شعاعی بررسی شد.
نتایج و بحث:
از میان تابع های گوناگون، تابع مبنای شعاعی به دلیل داشتن کمترین اندازه ی خطا برای متغیرها انتخاب شد. بهترین الگوی ورودی، الگوی شماره ی 5 بود که در آن متغیرهای آب دهی پیشین با پنج گام زمانی تاخیر استفاده شد، و در مرحله ی آموزش در مدل GEP و SVM بهترین عملکرد را در پیش بینی آب دهی روزانه ی ایستگاه موشنگ داشت. عملکرد مدل اعمال شده نشان داد که SVM (RSME = 1.15، R = 0.985، NSE = 0.85 و KGE = 0.79) در مرحله ی اعتبارسنجی برای پیش بینی آب دهی روزانه ی رود از مدل GEP (RSME = 1.65، R = 0.964، NSE = 0.78 و KGE = 0.69) دقیق تر است.
نتیجه گیری و پیشنهادها:
این پژوهش نشان داد که روش محاسبه های نرم (مانند SVM و GEP)، ابزار قدرتمندی در پیش بینی جریان رود است. با کاربرد این مدل ها می توان میان سنجه های ورودی و خروجی رابطه ی مطلوب ایجاد کرد و امکان شبیه سازی دقیق جریان میانگین و حداکثر روزانه را فراهم ساخت.
آبخیز فریزی ، بیان ژن ، رواناب ، محاسبه های نرم ، هوش مصنوعی
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.