ورود
مقالات فارسیISIکنفرانسهاژورنالها

بهره گیری از الگوریتم های تلفیقی SVR و GPR با موجک در مدل سازی و پیش بینی ماهانه خشک سالی

محل انتشار: مجله مهندسی منابع آب، دوره: 16، شماره: 56
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 77

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/1903813

شناسه ملی سند علمی:

JR_WEJMI-16-56_007

تاریخ نمایه سازی: 17 بهمن 1402

چکیده مقاله:

چکیده مقدمه: خشک سالی یکی از مخاطرات طبیعی است که به دلیل متاثر بودن از پارامترهای مختلف اقلیمی دارای رفتاری تصادفی و غیرخطی است. شاخص SPI به عنوان مرسوم ترین شاخص مستخرج شده از بارندگی می باشد که در مدل سازی خشک سالی مورداستفاده محققین مختلف قرارگرفته است. استفاده از روشهای هوش محاسباتی جهت مدل­سازی خشک­سالی در سالهای اخیر بسیار مورد توجه محققین حوزه منابع آب بوده است. روش­: در این تحقیق از الگوریتم های SVR و GPR به صورت منفرد و همچنین تلفیق این الگوریتم­ها با فن موجک به مدل­سازی و پیش­بینی شاخص SPI پرداخته شده است و هدف بررسی میزان بهبود نتایج الگوریتم­های هوش محاسباتی در تلفیق با موجک بوده است. در این تحقیق از اطلاعات سری زمانی ۱۰ ایستگاه سینوپتیک ایران در بازه زمانی ۱۹۶۱ تا ۲۰۱۷ به صورت ماهانه جهت مدل­سازی خشک­سالی به عنوان ورودی الگوریتم­های مورد مطالعه استفاده شده است. یافته­ ها: نتایج این پژوهش نشان داد که استفاده از روش موجک در تلفیق با الگوریتم­های هوش محاسباتی SVR و GPR سبب بهبود نتایج در تمامی مقیاس­های زمانی گردید. همچنین میزان بهبود مدل سازی ناشی از استفاده از موجک در تلفیق با مدل SVR با میانگین تفاضل RMSE برابر با ۱۵۴۰/۰- و تفاضل R۲ برابر ۱۴۹۱/۰ و در مدل GPR با میانگین تفاضل RMSE برابر با ۱۵۵۴/۰- و تفاضل R۲ برابر ۱۵۳۰/۰ نسبت به مدل های منفرد SVR و GPR نشان داد که مدل GPR در حالت کلی (همه مقیاس های زمانی و تمامی ایستگاه ها) بهبود بهتری در مدل هیبریدی نسبت به مدل منفرد داشته است.

کلیدواژه ها:

نویسندگان

جهانبخش محمدی

Ph.D. Student, Department of Remote Sensing and GIS, Faculty of Natural Resources and Environment, Science and Research Branch, Islamic Azad University, Tehran, Iran.

علیرضا وفائی نژاد

Associate Professor, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran.

سعید بهزادی

Assistant Professor, Faculty of Civil Engineering Shahid Rajaee Teacher Training University, Tehran, Iran.

حسین آقامحمدی

Assistant Professor, Department of Remote Sensing and GIS, Faculty of Natural Resources and Environment, Science and Research Branch, Islamic Azad University, Tehran, Iran

امیر هومن حمصی

Professor, Natural Resources Engineering, Faculty of Natural Resources and Environment, Tehran science and Research Branch, Islamic Azad University, Tehran, Iran.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Abeysingha NS, Rajapaksha URLN. ۲۰۲۰. SPI-Based Spatiotemporal Drought over Sri ...
  • Azimi S, Azhdary Moghaddam M. ۲۰۲۰. Modeling Short Term Rainfall ...
  • Bhunia P, Das P, Maiti R. ۲۰۲۰. Meteorological drought study ...
  • Raghavendra S, Deka PC. ۲۰۱۴. Support vector machine applications in ...
  • Djerbouai S, Souag-Gamane D. ۲۰۱۶. Drought forecasting using neural networks, ...
  • Drisya J, Kumar DS, Roshni T. ۲۰۲۱. Hydrological drought assessment ...
  • Ghasemi P, Karbasi M, Nouri AZ, Tabrizi MS, Azamathulla HM. ...
  • Tarebari H, Javid AH, Mirbagheri SA, Fahmi H. ۲۰۱۸. Multi-objective ...
  • Hong X, Ding Y, Ren L, Chen L, Huang B. ...
  • Khan MMH, Muhammad NS, El-Shafie A. ۲۰۲۰. Wavelet based hybrid ...
  • KIŞI Ö. ۲۰۰۶. Generalized regression neural networks for evapotranspiration modelling. ...
  • Komasi M, Sharghi S. ۲۰۲۰. Drought Forecasting Using Wavelet-Support Vector ...
  • Lazri M, Ameur S, Brucker JM, Lahdir M, Sehad M. ...
  • Li G, Liu Z, Li J, Fang Y, Liu T, ...
  • Li L, She D, Zheng H, Lin P, Yang Z-L. ...
  • McKee TB, Doesken NJ, Kleist J. ۱۹۹۳. The relationship of ...
  • Mehdizadeh S, Ahmadi F, Mehr AD, Safari MJS. ۲۰۲۰. Drought ...
  • Neal RM. ۱۹۹۷. Monte Carlo implementation of Gaussian process models ...
  • Pal M, Deswal S. ۲۰۱۰. Modelling pile capacity using Gaussian ...
  • Paulo AA, Pereira LS. ۲۰۰۷. Prediction of SPI drought class ...
  • Pei Z, Fang S, Wang L, Yang W. ۲۰۲۰. Comparative ...
  • Tay FEH, Cao L. ۲۰۰۱. Application of support vector machines ...
  • Taylan ED, Terzi Ö, Baykal T. ۲۰۲۱. Hybrid wavelet–artificial intelligence ...
  • Won J, Choi J, Lee O, Kim S. ۲۰۲۰. Copula-based ...
  • Xu D, Zhang Q, Ding Y, Huang H. ۲۰۲۰. Application ...
  • Yang D, Zhang X, Pan R, Wang Y, Chen Z. ...
  • Zhang C, Wei H, Zhao X, Liu T, Zhang K. ...
    • نمایش کامل مراجع