دانشگاه علوم کشاورزی و منابع طبیعی گرگان

 آمار

تعداد نشریات13
تعداد شماره‌ها665
تعداد مقالات6,952
تعداد مشاهده مقاله10,235,586
تعداد دریافت فایل اصل مقاله9,452,461
دهقانی, رضا, یونسی, حجت الله, ترابی پوده, حسن. (1396). مقایسه عملکرد مدلهای ماشین بردار پشتیبان، برنامه ریزی بیان ژن وشبکه بیزین در پیش بینی جریان رودخانه ها (مطالعه موردی: رودخانه کشکان). , 24(4), 161-177. doi: 10.22069/jwfst.2017.12398.2701
رضا دهقانی; حجت الله یونسی; حسن ترابی پوده. "مقایسه عملکرد مدلهای ماشین بردار پشتیبان، برنامه ریزی بیان ژن وشبکه بیزین در پیش بینی جریان رودخانه ها (مطالعه موردی: رودخانه کشکان)". , 24, 4, 1396, 161-177. doi: 10.22069/jwfst.2017.12398.2701
دهقانی, رضا, یونسی, حجت الله, ترابی پوده, حسن. (1396). 'مقایسه عملکرد مدلهای ماشین بردار پشتیبان، برنامه ریزی بیان ژن وشبکه بیزین در پیش بینی جریان رودخانه ها (مطالعه موردی: رودخانه کشکان)', , 24(4), pp. 161-177. doi: 10.22069/jwfst.2017.12398.2701
دهقانی, رضا, یونسی, حجت الله, ترابی پوده, حسن. مقایسه عملکرد مدلهای ماشین بردار پشتیبان، برنامه ریزی بیان ژن وشبکه بیزین در پیش بینی جریان رودخانه ها (مطالعه موردی: رودخانه کشکان). , 1396; 24(4): 161-177. doi: 10.22069/jwfst.2017.12398.2701

مقایسه عملکرد مدلهای ماشین بردار پشتیبان، برنامه ریزی بیان ژن وشبکه بیزین در پیش بینی جریان رودخانه ها (مطالعه موردی: رودخانه کشکان)

مجله پژوهش‌های حفاظت آب و خاک
مقاله 8، دوره 24، شماره 4، مهر 1396، صفحه 161-177    اصل مقاله (1.62 M)
نوع مقاله: مقاله کامل علمی پژوهشی
شناسه دیجیتال (DOI): 10.22069/jwfst.2017.12398.2701
نویسندگان
رضا دهقانی* 1؛ حجت الله یونسی2؛ حسن ترابی پوده2
1دانشجوی دکترای سازه آبی دانشگاه لرستان
2هیات علمی گروه مهندسی آب، دانشگاه لرستان
چکیده
سابقه و هدف: پیش‌بینی جریان رودخانه‌ها یکی از مهم‌ترین موارد کلیدی در مدیریت و برنامه‌ریزی منابع آب‌ به‌ویژه اتخاذ تصمیمات صحیح در مواقع سیلاب و بروز خشکسالی‌ها، است. برای پیش‌بینی میزان جریان رودخانه‌ها رویکردهای متنوعی در هیدرولوژی معرفی‌شده است که مدل‌های هوشمند از مهمترین آن‌ها می‌باشند. در این پژوهش جهت ارزیابی دقت مدل‌ها در پیش‌بینی جریان رودخانه، از داده‌های روزانه حوضه آبریز کشکان واقع در استان لرستان استفاده‌شده است. جهت مدلسازی جریان روزانه رودخانه کشکان از مدلهای ماشین بردار پشتیبان، برنامه‌ریزی بیان ژن و شبکه بیزین استفاده شد و نتایج برای بررسی صحت مدل‌های موردمطالعه با یکدیگر مقایسه گردید. در پژوهش‌های معدودی هر یک از مدل‌های بیان‌شده در پیش‌بینی دبی جریان روزانه موردبررسی قرارگرفته است اما هدف این پژوهش بررسی همزمان این مدل‌ها در یک حوضه برای پیش‌بینی جریان روزانه رودخانه می‌باشد.

مواد و روش: در این پژوهش رودخانه کشکان واقع در استان لرستان به‌عنوان منطقه موردمطالعه انتخاب‌شده و جریان روزانه مشاهداتی این حوضه در ایستگاه هیدرومتری پلدختر جهت واسنجی و اعتبارسنجی مدل‌ها بکار گرفته شد. برای این منظور، در ابتدا 80 درصد از داده‌های جریان روزانه (1390-1383) برای واسنجی مدل‌ها انتخاب‌شده و 20 درصد داده‌ها (1393-1391) جهت اعتبارسنجی مدل‌ها استفاده شد. برنامه‌ریزی ژن یک تکنیک برنامه‌ریزی خودکار است که راه‌حل مساله را با استفاده از برنامه‌ریزی کامپیوتر ارائه کرده و عضوی از خانواده الگوریتم تکاملی می‌باشد. ماشین بردار پشتیبان نیز یک سیستم یادگیری کارآمد بر مبنای تئوری بهینه‌سازی مقید است. همچنین شبکه بیزین، نمایش بامعنی روابط نامشخص مابین پارامترها در یک فرآیند می‌باشد و گرافی جهت‌دار غیر حلقوی از گره‌ها برای نمایش متغیرهای تصادفی و کمان‌ها برای نمایش روابط احتمالی مابین متغیرها به شمار می‌رود. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا برای ارزیابی و نیز مقایسه عملکرد مدل‌ها در این پژوهش مورداستفاده قرار گرفت.
یافته‌ها: نتایج نشان داد هر سه مدل شبکه بیزین، برنامه‌ریزی بیان ژن و ماشین بردار پشتیبان، در ساختاری متشکل از 1 تا 5 تأخیر زمانی نتایج بهتری نسبت به سایر ساختارها ارائه می‌دهد. همچنین با توجه به معیار ارزیابی نتیجه شد که از بین مدل‌های به‌کاررفته مدل ماشین بردار پشتیبان، بیشترین دقت 910/0= R و کمترین ریشه میانگین مربعات خطا l/s 2RMSE= و کمترین میانگین قدر مطلق خطاl/s 1MAE= در مرحله صحت سنجی را دارا می‌باشد. همچنین این مدل در تخمین مقادیر حداقل، حداکثر و میانی عملکرد خوبی از خود نشان داده است.

نتیجه‌گیری: درمجموع نتایج نشان داد مدل ماشین بردار پشتیبان عملکرد بهتری نسبت به مدل‌های شبکه بیزین و برنامه‌ریزی بیان ژن دارد. بنابراین مدل ماشین بردار پشتیبان می‏تواند در زمینه پیش‌بینی جریان روزانه رودخانه مؤثر بوده و در نوبه خود برای تسهیل توسعه و پیاده‌سازی استراتژی‌های مدیریت آب‌های سطحی مفید باشد. و گامی در اتخاذ تصمیمات مدیریتی در جهت بهبود کمیت منابع آب‌های سطحی ایجاد نماید.
کلیدواژه‌ها
برنامه ریزی بیان ژن؛ پیش بینی؛ شبکه بیزین؛ کشکان؛ ماشین بردار پشتیبان
مراجع
-1.Adib, A., Mahmoudian Kafshgar Kalaee, M., Mahmoudian Shoushtari, M., and M. Khalili, K.
2017. Using of gene expression programming and climatic data for forecasting
flow discharge by considering trend, normality and stationarity analysis. Arabi. J. Geosci.
10: 4. 1-14.
2.Ahmadi, F., Dinpajoh, Y., Fakherifard, A., Khalili, K., and Darbandi, S. 2015. Comparing
nonlinear time series models and genetic programming for daily river flow forecasting
(Case study: Barandouz-Chai River). Soil and water conservation research. 22: 1. 171-186.
(In Persian)
3.Ahmadi, F., Radmanesh, F., and Mirabasi, R. 2015. Comparing the performance of support
vector machines and Bayesian networks in predicting daily river flow (Case study:
Barandouz-Chai River). Soil and water conservation research. 22: 6. 171-186. (In Persian)
4.Botsis, D., Latinopoulos, P., and Diamantaras, K. 2012. Investigation of The effect of
interception and evapotranspiration on the rain fall-run off relationship using Bayesian
networks. In: Proceedings of protection and restoration of the environment XI, Thessaloniki.
5.Chen, S.T., and Yu, P.S. 2007. Real-time probabilistic forecasting of flood stages. J. Hydrol.
340: 63-77.
6.Danandeh Mehr, A., and Majdzadeh Tabatabaei, M.R. 2009. I prediction of daily discharge
trend of river flow based on genetic programming. J. Water Soil. 24: 2. 325-333. (In Persian)
7.Esazadeh, M., Ahmadzadeh, H., and Ghorbani, M.A. 2016. Assessment of kernel functions
performance in river flow estimation using support vector machine. Soil and water
conservation research. 23: 3. 171-186. (In Persian)
8.Ferbodnam, N., Ghorbani, M.A., and Alami, M.T. 2008. River flow prediction using genetic
programming (Case study: Lighvan River Watershed). J. Soil Water. 19: 1. 107-123.
(In Persian)
9.Ferreira, C. 2001. Gene expression programming: a new adaptive algorithm for solving
problems. Complex Systems. 13: 2. 87-129.
10.Ghorbani, M.A., Khatibi, R., Asadi, H., and Yousefi, P. 2012. Inter- Comparison of an
evolutionary programming model of suspended sediment time-series whit other local model.
INTECH. 26: 5. 255-282.
11.Ghorbani, M.A., Khatibi, R., Geol, A., Fazelifard, M.H., and Azani, A. 2016. Modeling river
discharge time series using support vector machine and artificial neural networks.
Environmental Earth Sciences. 75: 4. 675-685.
12.Heckerman, D. 1997. Bayesian networks for data mining. Data Mining and Knowledge
Discovery. 1: 1. 79-119.
13.Huang, S., Chang, J., Huang, Q., and Chen, Y. 2014. Monthly streamflow prediction using
modified emd-based support vector machine. J. Hydrol. 511: 4. 764-775.
14.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.
15.Kevin, B., and Nicholson, E. 2010. Bayesian artificial intelligence. Second Edition, United
states. 3: 1. 370-450.
16.Khatibi, R., Naghipour, L., Ghorbani, M.A., and Aalami, M.T. 2012. Predictability of
relative humidity by two artificial intelligence techniques using noisy data from two
Californian gauging stations. Neural computing and application. 23: 7. 643-941.
17.Kisi, O., Karahan, M., and Sen, Z. 2006. River suspended sediment modeling using fuzzy
logic approach. Hydrol Process. 20: 2. 4351-4362.
18.Lin, J.Y., Cheng, C.T., and Chau, K.W. 2006. Using support vector machines for long-term
discharge prediction. Hydrol. Sci. J. 51: 3. 599-612.
19.Liong, S.Y., and Sivapragasam, C. 2002. Flood stage forecasting with support vector
machines. J. Am. Water Resour. 38: 4. 173-186.
20.MacKay, D.J.C. 1992. Bayesian interpolation, Neural Computation. 4: 1. 415-447.
21.Misra, D., Oommen, T., Agarwal, A., Mishra, S.K., and Thompson, A.M. 2009. Application
and analysis of support vector machine based simulation for runoff and sediment yield.
Biosyst. Eng. 103: 3. 527-535.
22.Mohammadpour, M., Mehrabi, A., and Katouzi, M. 2012. Daily discharge forecasting using
support vector machine. Inter. J. Inf. Elec. Engin. 2: 5. 769-772.
23.Moshari, K.H., and Daneshfaraz, R. 2014. Comparison of Bayesian networks with other smart
models predict river flow in Qvrh tea. Tenth International Congress on Civil Engineering.
24.Nagy, H., Watanabe, K., and Hirano, M. 2002. Prediction of sediment load concentration in
rivers using artificial neural network model. J. Hydraul. Engin. 128: 3. 558-559.
25.Nguyen, R.T., Prentiss, D., and Shively, J.E. 1998. Rainfall interpolation for Santa Barbara
County. UCSB, Department Geography. USA.
26.Roshangar, K., Vojoudi Mehrabani, F., and Alami, M.T. 2013. Forecasting daily stream
flows of vaniar river using genetic programming and neural networks approaches. J. Civil
Engin. Urban. 3: 4. 197-200.
27.Sadeghi Hesar, A., Tabatabaee, H., and Jalali, M. 2012. Monthly rainfall forecasting using
bayesian belief networks. Inter. Res. J. Appl. Bas. Sci. 3: 11. 2226-2231.
28.Sedighi, F., Vafakhah, M., and Javadi, M. R.2016. Rainfall–Runoff modeling using support
vector machine in snow-affected watershed. Arab. J. Sci. Engin. 41: 10. 4065-4076.
29.Tokar, A.S., and Johnson, P.A. 1999. Rainfall-Runoff modeling using artificial neural
networks. J. Hydrol. Engin. 3: 4. 232-239.
30.Vapnik, V.N. 1995. The nature of statistical learning theory. Springer, New York,
Pp: 250-320.
31.Vapnik, V.N. 1998. Statistical learning theory. Wiley, New York, Pp: 250-320.
32.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: 128-138.
33.Zamani, R., Ahmadi, F., and Radmanesh, F. 2014. Comparison of the gene expression
programming, nonlinear time series and artificial neural network in estimating the river daily
flow (case study: the Karun river). J. Soil Water. 28: 6. 1172-1182. (In Persian)

آمار
تعداد مشاهده مقاله: 1,053
تعداد دریافت فایل اصل مقاله: 857


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب