ارزیابی عملکرد توابع کرنل در تخمین جریان رودخانهها با استفاده از ماشین بردار پشتیبان
Authors
Abstract:
سابقه و هدف: پیشبینی دقیق رواناب رودخانهها نقش مهمی در مدیریت بهینه منابع آب در دسترس دارد. در سالهای اخیر، ماشین بردار پشتیبان (SVM) که یکی از مهمترین مدلهای دادهکاوی است برای این منظور مورد توجه قرار گرفته است. این مدل یک سیستم یادگیری کارآمد بر مبنای تئوری بهینهسازی مقید است که از اصل استقرای کمینهسازی خطای ساختاری استفاده کرده و منجر به یک جواب بهینه کلی میگردد. همانند مدلهای دادهکاوی دیگر مدل SVM نیز میتواند در مواقعی که فقط دادههای رواناب در دسترس میباشد جهت شبیهسازی رواناب مورد استفاده قرار گیرد (مدلسازی خودهمبسته). به طور معمول سه تابع کرنل پایه شعاعی (RBF)، چند جملهای درجه d و خطی در ماشین بردار پشتیبان مورد استفاده قرار میگیرند که کاربرد هر یک از این توابع با پارامترهای مختلف در تخمین رواناب رودخانهها ممکن است منجر به نتایج متفاوتی شود. بنابراین ارزیابی کارایی و دقت هر یک از این توابع و انتخاب تابع کرنل مناسب در پیشبینی جریان رودخانه ضروری است. همچنین از آنجا که مدلهای سری زمانی AR، ARMA و ARIMA از مدلهای اصلی در شبیهسازی خودهمبسته رواناب میباشند لذا میتوان از طریق مقایسه عملکرد هر یک از توابع کرنل با این مدلها، دقت نسبی این توابع در این زمینه را مورد بررسی قرار داد. بنابراین ارزیابی دقت هر یک از توابع کرنل در شبیهسازی رواناب ماهانه و مقایسه عملکرد آنها با مدلهای سری زمانی هدف اصلی این تحقیق را رقم میزند. مواد و روشها: در این تحقیق حوضه خرخرهچای به عنوان منطقه مورد مطالعه انتخاب شده و جریان ماهانه مشاهداتی این حوضه در ایستگاه آبسنجی سنته جهت واسنجی و اعتبارسنجی مدلها بکار گرفته شد. برای این منظور، در ابتدا 75 درصد از دادههای جریان ماهانه (1384-1367) برای واسنجی مدلها انتخاب شده و 25 درصد دادهها (1390-1385) جهت اعتبارسنجی مدلها استفاده شد. سپس توزیع احتمالاتی دادههای جریان ماهانه در ایستگاه آبسنجی سنته براساس آزمون-های کلموگروف- اسمیرنوف و شاپیرو- ویلک مورد بررسی قرار گرفته و نرمالسازی توزیع دادهها انجام گرفت. پس از بهینهسازی پارامترهای مربوط به هر یک از توابع کرنل، مقادیر جریان ماهانه در ایستگاه آبسنجی سنته پیشبینی شده و عملکرد این توابع با استفاده از جذر میانگین مربعات خطا (RMSE) و ضریب همبستگی (CC) مورد ارزیابی قرار گرفت. یافتهها: بررسیهای این تحقیق نشان داد که اگرچه تفاوت معنیدار بین نتایج سه تابع کرنل وجود ندارد، ولی تابع کرنل چند جملهای درجه 4 با مقادیر ضریب همبستگی و جذر میانگین مربعات خطا به ترتیب برابر با 86/0 و 88/5 (مترمکعب در ثانیه) در دوره تست، در مقایسه با توابع کرنل دیگر از دقت بالا و عملکرد بهتری در پیشبینی جریان ماهانه برخوردار است. همچنین نتایج نشان داد که مدل (6،2)ARMA با مقادیر ضریب همبستگی و مجذور میانگین مربعات خطا به ترتیب برابر با 82/0 و 47/6 (مترمکعب در ثانیه) در دوره تست، نسبت به سایر مدلهای سری زمانی عملکرد خوبی را در پیشبینی جریان ماهانه حوضه خرخرهچای دارا میباشد. نتیجهگیری: در نهایت مقادیر جریان ماهانه پیشبینی شده با استفاده از تابع کرنل چند جملهای درجه 4 (به عنوان نماینده مدل SVM) با نتایج مدل (6،2)ARMA (به عنوان نماینده مدلهای سری زمانی) مقایسه گردید و این نتیجه حاصل شد که مدل SVM از کارایی بهتری نسبت به مدلهای سری زمانی در پیشبینی جریان ماهانه حوضه خرخرهچای برخوردار است.
similar resources
ارزیابی عملکرد توابع کرنل در تخمین جریان رودخانه ها با استفاده از ماشین بردار پشتیبان
سابقه و هدف: پیش بینی دقیق رواناب رودخانه ها نقش مهمی در مدیریت بهینه منابع آب در دسترس دارد. در سال های اخیر، ماشین بردار پشتیبان (svm) که یکی از مهمترین مدل های داده کاوی است برای این منظور مورد توجه قرار گرفته است. این مدل یک سیستم یادگیری کارآمد بر مبنای تئوری بهینه سازی مقید است که از اصل استقرای کمینه سازی خطای ساختاری استفاده کرده و منجر به یک جواب بهینه کلی می گردد. همانند مدل های داده ...
full textارزیابی و عملکرد مدل ماشین بردار پشتیبان در تخمین رسوبات معلق رودخانه ها
همواره پدیده انتقال رسوب، بسیاری از سازه های رودخانه ای و سازه های عمرانی را تحت تأثیر قرار داده و عدم اطلاع از میزان دقیق آن خسارات بسیاری را موجب می شود .از این جهت دستیابی به روشی با دقت مناسب برای تخمین میزان بار رسوبی معلق رودخانه ها بسیار حایز اهمیت است. در این پژوهش جهت تخمین رسوبات رودخانه کاکارضا واقع در استان لرستان، از مدل ماشین بردار پشتیبان استفاده گردید و نتایج آن با برنامه ریزی ب...
full textتخمین مشخصات هیدرولیکی کانالهای واگرای مستهلک کننده انرژی با استفاده از روش ماشین بردار پشتیبان
Hydraulic jump is the most common method of dissipating water’s kinetic energy in downstream of spillways, shoots and valve. In this paper, Support Vector Machine (SVM) method, as a machine learning method, have been used to estimate hydraulic characteristics such as the sequent depth ratio, jump length and energy loss in three different sudden expansions stilling basins, and the rate of ...
full textپیشبینی ماهانه جریان با استفاده از ماشین بردار پشتیبان بر مبنای آنالیز مؤلفه اصلی
هدف اصلی این تحقیق بررسی تأثیر انتخاب متغیرهای ورودی با استفاده از آنالیز مؤلفه اصلی (PCA) بر عملکرد مدل ماشین بردار پشتیبان (SVM) برای پیشبینی ماهانه دبی رودخانه بود. به این منظور ابتدا با استفاده از 18 متغیر ورودی به مدل SVM، دبی جریان ماهانه پیشبینی شد. سپس با استفاده از PCA تعداد متغیرهای ورودی به مدل SVM از 18 متغیر به 5 مؤلفه کاهش یافت. در نهایت با استفاده از آماره توسعه یافته توسط نویس...
full textارزیابی وپتانسیل سنجی خطروقوع سیل درشهرجناح با استفاده از الگوریتم ماشین پشتیبان بردار (SVM)
یکی از انواع فرآیند های دامنه ای که هر ساله موجب خسارت جانی و مالی فراوان در بسیاری از نقاط ایران و جهان می شود وقوع سیل است. شناسایی مناطق مستعد وقوع سیل از طریق پهنه بندی خطر، یکی از اقدامات موثر و ضروری در کاهش خطرات احتمالی و مدیریت آن می باشد. هدف اصلی این پژوهش، ارزیابی وقوع سیل در شهر جناح با استفاده از مدل ماشین بردار پشتیبان می باشد. در ابتدا نقشه DEM محدوده مورد مطالع...
full textتأثیر بازه بندی هیدرولیکی در تخمین بار بستر رودخانه های با بستر شنی با استفاده از ماشین بردار پشتیبان
ارزیابی و برآورد انتقال رسوب و فرایندهای همراه با آن، از دیرباز یکی از مسائل عمده و اصلی مهندسان هیدرولیک و رودخانه بوده است. رودخانههای با بستر شنی، ویژگیهایی دارند که آنها را از رودخانههای با بستر ماسهای متمایز کرده و باعث ایجاد مسائل و چالشهایی...
full textMy Resources
Journal title
volume 23 issue 3
pages 69- 89
publication date 2016-08-22
By following a journal you will be notified via email when a new issue of this journal is published.
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023