
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,503 |
تعداد مشاهده مقاله | 8,643,237 |
تعداد دریافت فایل اصل مقاله | 8,237,842 |
ارزیابی عملکرد توابع کرنل در تخمین جریان رودخانهها با استفاده از ماشین بردار پشتیبان | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 4، دوره 23، شماره 3، مرداد 1395، صفحه 69-89 اصل مقاله (2.21 M) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwfst.2016.3187 | ||
نویسندگان | ||
محمد عیسی زاده* 1؛ حجت احمدزاده1؛ محمدعلی قربانی2 | ||
1دانشجو | ||
2دانشیار گروه مهندسی آب دانشگاه تبریز | ||
چکیده | ||
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. | ||
کلیدواژهها | ||
پیشبینی جریان رودخانه؛ ماشین بردار پشتیبان؛ توابع کرنل؛ مدلهای سری زمانی؛ حوضه خرخرهچای | ||
مراجع | ||
1.Adamowski, J. 2013. Using support vector regression to predict direct runoff, base flow 2.Adeli, A., Fathi-Moghadam, M., and Musavi Jahromi, H. 2014. Using Stochastic Models to Produce Artificial Time Series and Inflow Prediction: A Case Study of Talog Dam reservoir, Khuzestan Province, Iran. J. Inter. Bull. Water Resour. Dev. 2: 5. 1-13. (In Persian)
3.Asefa, T., Kemblowski, M., McKee, M., and Khalil, A. 2005. Multi-time scale stream flow predictions: The Support vector machines approach. J. Hydrol. 318: 1-4. 7-16.
4.Azani, A., Fazelifard, M.H., and Ghorbani, M.A. 2014. Simulation of Urmia Lake water level using support vector machines and artificial neural network. The 13th Conference of the hydraulic Iran, Tabriz University. (In Persian)
5.Baofeng, G., Gunn, S.R., Damper, R.I., and Nelson, J.D.B. 2008. Customizing Kernel Functions for SVM-Based Hyperspectral Image Classification. IEEE Transactions on Image Processing. 17: 4. 622-629.
6.Bani Habib, M.A., and Valipour, M. 2008. Comparative assessment of ARMA, ARIMA and autocorrelated artificial neural network models in forecasting inflow to the Dez reservoir. First International Conference on Water Crisis, Zabul University. (In Persian)
7.Basak, D., Pal, S., and Patranabis, D.C. 2007. Support vector regression. Neural Inf. Process. 11: 203-225.
8.Box, G.E.P., Jenkins, G.M., and Reinsel, G.C. 1994. Time Series Analysis: Forecasting and Control. Third edition, Prentice Hall. 598p.
9.Damle, C., and Yalcin, A. 2007. Flood prediction using time series data mining. J. Hydrol. 333: 2-4. 305-316. 10.Dibike, Y., Velickov, S., Solomatine, D., and Abbott, M. 2001. Model induction with of support vector machines: Introduction and applications. J. Comp. Civil Engin. 15: 3. 208-216.
11.Eskandari, A., Nouri, R., Meraji, H., and Kiaghadi, A. 2012. Development of appropriate model based on artificial neural network and support vector machine for forecasting 5-Days Biochemical Oxygen Demand (BOD5). J. Ecol. 61: 71-82. (In Persian)
12.Fletcher, R. 1987. Practical Methods of Optimization. Wiley, New York. 456p.
13.Jain, A., and Kumar, A.M. 2007. Hybrid neural network models for hydrologic time series forecasting. Appl. Soft Com. J. 7: 2. 585-592.
14.Jian, Y., Cheng, C.T., and Chau, K.W. 2006. Using support vector machines for long-term discharge prediction. J. Hydrol. Sci. – des Sci. Hydrol. 51: 4. 599-612.
15.Kavzoglu, T., and Colkesen, I. 2009. A kernel functions analysis for support vector machines for land cover classification. Inter. J. Appl. Earth Obs. Inf. 11: 5. 352-359.
16.Kakaei Lafadani, E., Moghaddam Nia, A., Ahmadi, A., Jajarmizadeh, M., and Ghafari, M. 2013. Stream flow simulation using SVM, ANFIS and NAM models (A Case study). Caspian J. Appl. Sci. Res. 2: 4. 86-93.
17.Liu, G.Q. 2011. Comparison of Regression and ARIMA models with Neural Network models to forecast the daily streamflow. PhD thesis, University of Delaware. 545p.
18.Misra, D., Oommen, T., Agarwal, A., and Mishra, S.K. 2009. Application and analysis of Support Vector machine based simulation for runoff and sediment yield. J. Biosyst. Engin. 103: 9. 527-535. 19.Moharrampour, M., Mehrabi, A., Hajikandi, H., and Sohrabi, S. 2013. Comparison of Support Vector Machines (SVM) and Autoregressive integrated moving average (ARIMA) in daily flow forecasting. J. River Engin. 1: 1. 34-45.
20.Salas, J.D. 1993. Analysis and modeling of hydrological time series. P 1-19, In: R, David (Ed.), Handbook of Hydrology, McGraw-Hill, New York.
21.Vapnik, V., and Chervonenkis, A. 1991. The necessary and sufficient conditions for consistency in the empirical risk minimization method. Pattern Recognition and Image Analysis. 1: 3. 283-305.
22.Vapnik, V., and Cortes, C. 1995. Support vector networks. Machine Learning. 20: 273-297. 23.Wei, W.W.S. 2006. Time Series analysis: univariate and multivariate methods (second edition). Greg Tobin Publisher, ISBN 0-321-32216-9.
24.Yang, K., Shan, G., and Zhao, L. 2006. Correlation Coefficient Method for Support Vector Machine Input Samples. International Conference on Machine Learning and Cybernetics. Pp: 2857-2861.
25.Yoon, H., Jun, S.C., Hyun, Y., Bae, G.O., and Lee, K.K. 2011. A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer. J. Hydrol. 396: 1-2. 128-138.
26.Zhang, G.P. 2003. Time series forecasting using a hybrid ARIMA and neural network model. Neuro computing. 50: 159-175. | ||
آمار تعداد مشاهده مقاله: 2,785 تعداد دریافت فایل اصل مقاله: 4,273 |