پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,502 |
| تعداد مشاهده مقاله | 124,118,574 |
| تعداد دریافت فایل اصل مقاله | 97,224,623 |
بررسی دقت مدل های ANFIS، SVM و GP در مدل سازی مقادیر دبی جریان رودخانه | ||
| اکوهیدرولوژی | ||
| مقاله 5، دوره 3، شماره 3، مهر 1395، صفحه 347-361 اصل مقاله (899.12 K) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2016.60024 | ||
| نویسندگان | ||
| محمد ناظری تهرودی* 1؛ سید رضا هاشمی2؛ فرشاد احمدی3؛ زهرا ناظری تهرودی4 | ||
| 1دانشجوی دکتری منابع آب، دانشکدۀ کشاورزی، دانشگاه بیرجند | ||
| 2استادیار دانشکدۀ کشاورزی، دانشگاه بیرجند | ||
| 3دانشجوی دکتری منابع آب، دانشکدۀ علوم آب، دانشگاه شهید چمران اهواز | ||
| 4دانشجوی دکتری آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه کاشان | ||
| چکیده | ||
| پیشبینی دقیق جریان رودخانهها در مدیریت بهینۀ منابع آبهای سطحی اهمیت بهسزایی دارد. یافتن مدل مناسب برای پیشبینی دقیق این پارامتر یکی از راههای مهم اقدامات در شبیهسازی و پیشبینی است. در این مطالعه سه مدل ANFIS، SVM و GP برای مدلسازی دبی ماهانۀ رودخانۀ نازلوچای در محل ایستگاه هیدرومتری تپیک واقع در غرب دریاچۀ ارومیه تحت تأثیر بارش حوضۀ رودخانۀ مطالعه‌شده بررسی و مقایسه شد. در همۀ روشهای یادشده الگوهای M1 تا M5 دادههای دبی جریان با تأخیر یک تا پنج و الگوهای M6 تا M10 الگوی ترکیبی با دادههای بارش و دبی و با تأخیرهای یک تا پنج ماه بررسی شدند. برای بررسی مقادیر خطای ناشی از مدلسازی از سه روش ضریب تبیین، مجذور میانگین مربعات خطا و معیار کارایی مدل استفاده شد. نتایج بررسی دقت و میزان خطای مدلها نشان داد الگوی ترکیبی فقط در مدل SVM بهترین نتیجه را داده است و در دو مدل GP و ANFIS الگوهای تک‌سری بهترین نتیجه را ارائه کردند. از بین سه مدل بررسی‌شده، مدل ANFIS با الگوی ورودی چهار و پنج تأخیر بهترین نتیجه را داد. به‌طور کلی، نتایج نشان داد با به‌کارگیری مدل ANFIS در مدلسازی دبی جریان ماهانۀ رودخانۀ نازلوچای، خطای مدل نسبت به دو مدل GP و SVM به‌ترتیب حدود 23 و 3 درصد (در واحد دبی جریان) کاهش و دقت مدل نیز نسبت به دو مدل GP و SVM به‌ترتیب حدود 10 و 4 درصد افزایش مییابد. | ||
| کلیدواژه‌ها | ||
| الگوریتم ژنتیک؛ دبی جریان؛ دریاچۀ ارومیه؛ ماشین بردار پشتیبان | ||
| عنوان مقاله [English] | ||
| Evaluation the Accuracy of ANFIS, SVM and GP Models to Modeling the River Flow Discharge | ||
| نویسندگان [English] | ||
| Mohammad Nazeri Tahroudi1؛ Seyed Reza Hashemi2؛ Farshad Ahmadi3؛ Zahra Nazeri Tahroudi4 | ||
| 1Ph.D Student of Water Resources Management, Birjand University, Birjand, Iran. | ||
| 2Department of Water Engineering, Birjand University, Birjand | ||
| 3Ph.D Student of Water Resources Management, Shahid Chamran University, Ahwaz, Iran. | ||
| 4Ph.D Student of Watershed, Kashan University, Kashan, Iran. | ||
| چکیده [English] | ||
| Prediction the river flow discharge values are important in the surface water resources management. Find an appropriate model to accurately predictionof this parameter is one of the most important ways to simulation and prediction. In this study three ANFIS, SVM and GP models were evaluated and compared to modeling the monthly flow discharge of Nazloochi River in Tapik hydrometric station that located in western of Urmia Lake based on precipitation of river basin. All the methods listed in M1 to M5 data flow patterns with a delay of 1 to 5 M6 to M10 and patterns of precipitation and discharge data combined with delays of one to five months were studied.To investigate the value of modeling’s error three coefficient of determination, root mean square error and effectiveness criteria tests were used. The results of evaluation the accuracy and error values of models indicated that the combined pattern has better results only in SVM model and in GP and ANFIS models the ones series patterns presented the better results. Among the three studied models, ANFIS model with 4 and 5 delays input patterns presented the best results. Overall the results indicated that with adoption of ANFIS model to modeling the monthly river flow in Nazloochai River, error values were decreased about 23 and 3 percentages respectively in GP and SVM models and accuracy of modeling compared to GP and SVM models were increased about 10 and 4 percent respectively. | ||
| کلیدواژه‌ها [English] | ||
| Flow discharge, Genetic Algorithm, Support vector machine, Urmia Lake | ||
| مراجع | ||
|
10. Pai PF, Hong WC. A recurrent support vector regression model in rainfall forecasting. Hydrological Process. 2007;21: 819-827.
11. Hamel LH. Knowledge discovery with support vector machines (Vol. 3). John Wiley & Sons. 2011.
12. Adamowski J, Prasher SO. Comparison of machine learning methods for runoff forecasting in mountainous watersheds with limited data. Journal of Water and Land Development. 2012;17(8):89–97.
13. Choubey V, Mishra S, Pandy SK. Time Series Data Mining in Real Time Surface Runoff Forecasting through Support Vector Machine. International Journal of Computer Applications. 2014;98(3): 23-30.
14. Jang JSR. ANFIS: adaptive-network-based fuzzy inference system. Systems, Man and Cybernetics, IEEE Transactions on. 1993; 23(3): 665-685.
15. Nayak PC, Sudheer KP, Rangan DM, Ramasastre KS. A neuro-fuzzy computing technique for modeling hydrological time series. Journal of Hydrology. 2004;291(1-2):52–66
16. Sanikhani H. Kisi, O. River flow estimation and forecasting by using two different adaptive neuro-fuzzy approaches. Water Resources Management. 2012;26(6): 1715-1729.
17. Talei A, Chua LHC, Wong TSW. Evaluation of rainfall and discharge inputs used by Adaptive Network-based Fuzzy Inference Systems (ANFIS) in rainfall-runoff modeling. Journal of Hydrology. 2010;391(3-4): 248-262.
18. Ghose D, Panda P, Swain P. Prediction and optimization of runoff via ANFIS and GA. Alexandria Engineering Journal. 2013;52(2): 209-220.
19. Chen SH, Lin YH, Chang LC, Chang FG. The strategy of building a flood forecast model by neuro fuzzy network. Hydrological Processes. 2006;20(7): 1525- 1540.
20. He Z, Wen X, Liu H, Du J. A comparative study of artificial neural network, adaptive neuro fuzzy inference system and support vector machine for forecasting river flow in the semiarid mountain region. Journal of Hydrology. 2014;509:379–386
21. Karakus M, Tutmez B, Fuzzy and multiple regression modeling for evaluation of intact rock strength based on point load, Schmidt hammer and sonic velocity, Rock Mech. Rock Eng. 2006;39(1): 45–57.
22. Jang JSR. Fuzzy controllersbased on temporal back propagation, IEEE Trans. Neural Netw. 1992; 3:714–723.
23. Ferreira C. Gene Expression Programming: A New Adaptive Algorithm for Solving Problems. Complex Systems, forthcoming. 2001.
24. Hofmann T, Tsochantaridis I, Altun Y. Learning over structured output spaces via joint kernel functions. Sixth Kernel Workshop. 2002
25. Eskandari A, Nouri ;R, Meraji H, Kiaghadi A. Developing a Proper Model for Online Estimation of the 5-Day Biochemical Oxygen Demand Based on Artificial Neural Network and Support Vector Machine. J of Environment Studies. 2012;38(1):71-82 [Persian].
26. Nash JE, Sutcliffe JV. River flow forecasting through conceptual models part I — A discussion of principles. Journal of Hydrology. 1970;10(3): 282–290
27. Swinscow TDV, Campbell MJ. Statistics at Square One. London: BMJ Publication. 106 P. 2002.
28. Salas JD, Delleur JW, Yevjevich V, Lane WL. Applied Modeling of Hydrologic Time Series. Water resource Publications, P. O. Box 2841. Littleton, Colorado.80161, U.S.A. 1980; 484 P. | ||
|
آمار تعداد مشاهده مقاله: 1,523 تعداد دریافت فایل اصل مقاله: 1,090 |
||