بررسی اثر مقیاس زمانی (روزانه، ماهانه و سالانه) در پیش بینی بار رسوب معلق (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
تعیین بار رسوبی معلق رودخانه ها یکی از پروژه های مهم مهندسی رودخانه می باشد. پیش بینی بار رسوبی معلق کمک شایانی در زمینه مدیریت منابع آبی خواهد نمود. سوال اصلی در این تحقیق بررسی نقش انواع داده های روزانه، ماهانه و سالانه در برآورد بار رسوبی با استفاده از مدل های مبتنی بر یادگیری ماشین است. بدین منظور از آمار بار معلق در سه مقیاس زمانی روزانه، ماهانه و سالانه ایستگاه هیدرومتری اوهایو واقع در ایالات متحده آمریکا در فاصله سال های 1992 تا 2014 استفاده گردید. با هدف انتخاب مناسب ترین مدل، مدل های شبکه عصبی مصنوعی پس انتشار خطا و تابع پایه ی شعاعی، رگرسیون خطی، k نزدیک ترین همسایه، درخت تصمیم M5، فرآیند گوسی، ماشین بردار پشتیبان و ماشین بردار پشتیبان تکاملی اجرا و مورد ارزیابی قرار گرفتند. نتایج حاصل از این ت حقیق نشان داد که ب رای داده های روزانه، م دل k نزدیک ترین همسای ه با 28/5RMSE=؛ برای داده های ماهانه مدل فرآیند گوسی با 7/8RMSE= و برای داده های سالانه مدل فرآیند گوسی با مقدار 2/7RMSE= مناسب ترین مدل جهت پیش بینی بار رسوبی معلق بوده اند. همچنین مقایسه مقادیر ارزیابی مدل ها حاکی از آن است که پیش بینی داده های سالانه نسبت به ماهانه و روزانه از دقت بیشتری برخوردار هستند.The Effects of the Daily, Monthly, and Annual Time Scales on the Suspended Sediment Load Prediction
The main purpose of this study is an inquiry into the functions of daily, monthly, and annual scales of sediment data in their estimations using machine learning models. For this purpose, suspended sediment load data for three temporal, daily, monthly, and annual, scales at Ohio station, located in the USA, between the years of 1992 and 2014 were selected. In order to choose the best model, some machine learning base models such as artificial neural networks, error back propagation as well as radial basis function, k-nearest neighbor, M5 decision tree, Gaussian process, support vector machine (SVR), evolutionary support vector machine (ESVM), and linear regression (LR) models were run and evaluated. The results of this study showed that the k-nearest neighbor with RMSE=5.28, the data Gaussian process model with RMSE=8.7, and the Gaussian process model with a RMSE=7.2 were respectively the best models for the daily, monthly, and annual data. The comparison of the models' assessment also suggested that the predicted annual data were more accurate than the monthly and daily data.
تبلیغات
