ارزیابی مدل‌ تلفیقی تجزیه‌ی مد تجربی یکپارچه کامل- گاوسی در پیش‌بینی زمانی و مکانی دبی رودخانه

Authors

  • معصومه چمنی دانشجوی کارشناسی ارشد مهندسی و مدیریت منابع آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران.
  • کیومرث روشنگر استاد، گروه مهندسی آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران.
Abstract:

پیش‌بینی صحیح دبی روزانه‌ی‌ رودخانه، ابزاری مناسب جهت برنامه‌ریزی و مدیریت منابع آب سطحی می‌باشد. از این‌رو در این مقاله با بهره‌گیری از مدل‌های رگرسیون فرآیند گاوسی (GPR)، ماشین یادگیری قدرتمند (ELM) و روش ترکیبی تجزیه‌ی مد تجربی یکپارچه‌‌ی کامل، دبی بین ایستگاهی رودخانه‌ی آرکانزاس واقع در ایالت متحده آمریکا مورد بررسی قرار گرفت. بدین‌منظور ابتدا دبی روزانه و ماهانه با استفاده از روش رگرسیون فرآیند گاوسی و ماشین یادگیری قدرتمند پیش‌بینی شد. سپس سری زمانی اصلی توسط روش تجزیه‌ی مد تجربی یکپارچه‌ی کامل‌ به زیرسری‌های توابع مد ذاتی (IMFs) و باقیمانده (Residual) تجزیه گردید؛ در ادامه این زیرسری‌های تجزیه‌شده، ورودی مدل‌های گاوسی و ماشین یادگیری قدرتمند را تشکیل دادند تا مدل‌های ترکیبی طراحی گردند. برای ارزیابی کارآیی مدل‌ها از معیارهای همبستگی خطی (DC)، ریشه میانگین مربعات خطا (RMSE)، ضریب همبستگی (R) و میانگین درصد خطای مطلق (MAPE) استفاده شد. نتایج نشان داد که استفاده از روش CEEMD باعث بهبود عملکرد مدل‌های مورد استفاده شده است. به‌طوری‌که مقادیر خطای مطلق (MAPE) مربوط به مدل GPR با پیش‌پردازش CEEMD در پیش‌بینی جریان ایستگاه‌های اول، دوم و سوم نسبت به مدل GPR بدون پیش‌پردازش به ترتیب 34، 27 و 32 درصد کاهش داشته است. همچنین تأثیر هر یک از زیرسری‌های تجزیه‌ی مد تجربی یکپارچه کامل در پیش‌بینی دبی مورد ارزیابی قرار گرفت. مشاهده گردید که زیرسری باقیمانده ناکارآمدترین زیرسری است. مدل ترکیبی CEEMD- ELM در مدیریت حوضه‌های آبخیز و کنترل سیل کشور ایران می‌تواند استفاده شود.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پپیش‌بینی و ارزیابی ارتباط دبی رودخانه در ایستگاه‌های هیدرومتریک متوالی با استفاده از روش‌های ترکیبی GPR-EEMD (مطالعه موردی: رودخانه هوستونیک)

پیش­بینی دقیق دبی در رودخانه­ها، از مهم­ترین مؤلّفه­های فرآیندهای هیدرولوژیکی و هیدرولیکی در مدیریت منابع آب، به ویژه در اتّخاذ تدابیر مناسب در مواقع خشکسالی و بروز سیلاب است. در این تحقیق از تابع موجک و تجزیۀ مد تجربی یکپارچه که از ابزارهای محاسبات نرم محسوب می شوند، جهت استخراج ویژگی­های سری زمانی استفاده گردیده و کارایی مدل­های موجک- گوسین (DWT- GPR) و تجزیۀ مد تجربی یکپارچه- گوسین (EEMD- GPR)...

full text

بهبود پیش بینی بارش ماهانه با استفاده از مدل تلفیقی بر پایه روش کرنل- تبدیل موجک و تجزیه ی یکپارچه مد تجربی کامل

بارش یکی از مهم‌ترین اجزای چرخة آب بوده و در سنجش خصوصیات اقلیمی هر منطقه، نقش بسیار مهمی ایفا می کند. تخمین مقادیر بارش ماهانه برای اهداف مختلفی چون برآورد سیلاب، خشکسالی، برنامه‌ریزی آبیاری و مدیریت حوضه‌های آبریز اهمیت زیادی دارد. در تحقیق حاضر، پیش‌بینی بارش ماهانه ایستگاه تبریز با استفاده از روش هوشمند رگرسیون فرآیند گاوسی (GPR) بر پایه روش تجزیه یکپارچه مد تجربی ﮐﺎﻣﻞ (CEEMD) و تبدیل موجک ...

full text

ارزیابی تغییرات زمانی و مکانی شاخص‌های تغییرپذیری دبی جریان رودخانه در برخی از حوضه‌های آبخیز استان اردبیل

چکیده هدف این پژوهش، ارزیابی تغییرات زمانی-مکانی شاخص‌های تغییرپذیری دبی جریان رودخانه در حوضه‌های آبخیز استان اردبیل است. مقادیر شاخص‌های تغییرپذیری دبی ماهانه­ ی رودخانه­ی شامل شانون، بریلویین، سیمپسون، مک‌اینتاش، برگر-پارکر، شاخص تغییرپذیری، شاخص ناهمسانی دبی و شاخص تغییرپذیری دبی محاسبه شدند. ضمن ارزیابی تغییرات مکانی، از نمودار سه متغیره برای تعیین ارتباط بین تغییرات دبی سالانه استفاده شد...

full text

مدل‌سازی دبی جریان رودخانه با استفاده از مدل‌های چندمتغیره تلفیقی سری زمانی

چکیده بیش از سه دهه است که هیدرولوژیست­ها، استفاده از مدل­های چند متغیره را جهت توصیف و مدل­سازی داده­های پیچیده هیدرولوژی، توصیه می­کنند. درحالی که به تازگی اهمیت مدل­های چند متغیره در هیدرولوژی مطرح شده است. در واقع در مدل­های چند متغیره با دخالت دادن عوامل مؤثر هواشناسی، می­توان نتایج توصیف، مدل­سازی و  پیش­بینی پارامترهای مختلف را بهبود بخشید. هم­چنین از آنجا که مدل­های غی...

full text

ارزیابی عملکرد مدل‌های سری زمانی چند متغیره تلفیقی، MPAR و MPAR-ARCH در مدل‌سازی دبی جریان رودخانه با درنظر گرفتن عوامل مؤثر هواشناسی (مطالعه موردی: رودخانه نازلوچای)

بیش از سه دهه است که هیدرولوژیست­ها، استفاده از مدل­های چندمتغیره را جهت توصیف و مدل­سازی پدیده­های پیچیده هیدرولوژی، توصیه می­کنند. در مدل­های چند متغیره با دخالت دادن عوامل مؤثر، می­توان نتایج توصیف، مدل­سازی و پیش­بینی متغیرهای مختلف را بهبود بخشید. هم­چنین از آنجا که مدل­های غیر­خطی واریانس ناهمسان شرطی، بخش باقی­مانده مدل­های خطی را به‌طور رضایت­بخشی مدل می­کنند، انتظار می­رود، با ترکیب مد...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 9  issue 2

pages  277- 289

publication date 2020-01-21

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