
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,501 |
تعداد مشاهده مقاله | 8,623,331 |
تعداد دریافت فایل اصل مقاله | 8,213,192 |
پیشبینی فرم بستر رودخانههای ماسهای با استفاده از روش درخت تصمیم | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 19، دوره 25، شماره 5، آذر و دی 1397، صفحه 315-324 اصل مقاله (374.87 K) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2018.13915.2866 | ||
نویسندگان | ||
مسعود کرباسی* 1؛ نگین میرمرسلی2 | ||
1هیات علمی دانشگاه زنجان | ||
2گروه مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران | ||
چکیده | ||
چکیده سابقه و هدف: فرم بستر یا به عبارتی ناهمواریهای بستر به شکلهای مختلف در بستر رودخانه اطلاق میشود که در اثر حرکت جریان به وجود میآید و تأثیر مستقیم و مهمی روی زبری بستر و در نتیجه مقاومت در مقابل جریان و تأثیر روی پروفیل سطح آب را در پی دارد. از آنجا که محاسبات دبی- اشل رودخانه و سرعت جریان کاملاً تحت تأثیر زبری قرار دارد، لذا پیشبینی دقیق شکل بستر از اهمیت زیادی برخوردار است. بهدلیل تأثیر پارامترهای مختلف در شکلگیری فرم بستر رودخانهها، تعیین معادلات حاکم بر آن مشکل بوده و مدلهای ریاضی نیز از دقت کافی برخوردار نیستند. امروزه استفاده از سیستمهای هوش مصنوعی بهعنوان راهکاری جدید در تحلیل مسائل آبی، گسترش یافته است. هدف این پژوهش، معرفی روشی است که با استفاده از آن بتوان فرم بستر رودخانههای ماسهای را با دقت بالایی پیشبینی نمود. مواد و روشها: در پژوهش حاضر، برای بهدست آوردن نتایج بهتر و کاهش پراکندگی دادهها، دادهها بهطور تصادفی به دو بخش آموزش (70 درصد) که شامل 1647 دادهی آزمایشگاهی و آزمون (30 درصد) که شامل 560 دادهی آزمایشگاهی است تقسیم شدند. روش هوشمند درخت تصمیم بر روی دادههای بخش آزمون در محیط برنامهنویسی وکا کدنویسی شد و در نهایت با استفاده از الگوریتمهای (Random Forest) و (Random Tree) واسنجی بر روی دادهها انجام گردید. سپس روشهای تجربی وانراین، انگلند هانسن و سیمونز و ریچاردسون بر روی دادههای بخش آزمون اجرا گردید. یافتهها: ارزیابی نتایج بهدست آمده با استفاده از معیارهای آماری مجذور میانگین مربعات خطا (RMSE)، نرخ دستهبندی صحیح (CCI) و مساحت زیر منحنی (ROC Area) انجام شده است. نتایج نشان داد که الگوریتم(Random Forest) برای دادههای آزمایشگاهی با معیارهای آماری 85%CCI= درصد، 17/0RMSE=، 97/0ROC= دارای بهترین عملکرد است. از سوی دیگر با بررسی نتایج روشهای تجربی مشخص شد که برای دادههای آزمایشگاهی، روش وانراین با نتایج %64CCI= درصد، 07/1RMSE= دارای عملکرد بهتری میباشد. بین متغیرهای مختلف محیطی دبی، عرض، عمق، شیب، قطر متوسط ذرات رسوبی و دما برای دادههای آزمایشگاهی دارای بیشترین اهمیت در پیشبینی فرمهای بستر بودند. نتیجهگیری: در این پژوهش برتری مدلهای محاسباتی نرم در مدلسازی و پیشبینی فرم بستر مشهود بوده و مدلهای اجرا شده در محیط وکا عملکرد بهتری داشتند. اصولاً از آنجا که در شکلگیری فرم بستر رودخانهها، عوامل متعددی دخالت دارند و همچنین بهدلیل ماهیت پیچیدهی آن، پیشبینی این پدیده بسیار دشوار و گاهی کمدقت است. از آنجا که روشهای هوش مصنوعی برای تحلیل مسائلی بهکار میروند که شناخت و توصیف صریح از ماهیت مسئله وجود ندارد، بنابراین بسیاری از مسائل مربوط به فرمهای بستر را میتوان با این روشها حل نمود. | ||
کلیدواژهها | ||
پیشبینی؛ درخت تصمیم؛ رودخانههای ماسهای؛ فرم بستر؛ هوش مصنوعی | ||
مراجع | ||
1.Amiri, S.M., and Hekmatzadeh, A.A. 2014. A Finite Volume Numerical Model for Simulating Dune Bed Form. Babool, 8th National Civil Engineering Congress, Pp: 211-220. (In Persian)
2.Brownlie, W.R. 1981. Compilation of alluvial channel data: laboratory and Field.
3.Chen, W., Xie, X., Wang, J., Pradhan, B., Hong, H., Bui, D.T., Duan, Z., and Ma, J. 2017. A comparative study of logistic model tree, random forest and classification and regression tree models for spatial prediction of landslide susceptibility. Catena, 151: 147-160.
4.Gholami, A., Bonakdari, H., Ebtehaj, I., and Fenjan, S. 2015. Assessment and comparing of support vector machines model and regression equation for predicting alluvial channel geometry. Mesopotamia Environ. J. 1: 56-64.
5.Gupta, Sh., Abraham, S.K., Sugumaran, V., and Amarnath, M. 2016. Fault Diagnostics of a Gearbox via Acoustic Signal using Wavelet Features, J48 Decision Tree and Random Tree Classifier. Indian, J. Sci. Technol. 33: 9. 1-8.
6.Javadi, F., Ahmadi, M.M., and Qaderi, K. 2015. Estimation of Bedform Dimension Using Artificial Neural Network (ANN) and Support Vector Machine (SVM). J. Agr. Sci. Tech. 17: 859-868.
7.Karamisheva, R.D., Lyness, J.F., Myers, W.R.C., and Sullivan, J.O. 2005. Prediction of Bed Form Height in Straight and Meandering Compound Channels. J. Water Resour. Manage.III. 80: 311-320.
8.Neill, C.R. 1969. Bed Forms in the Lower Red Deer River, ALBERTA. Amsterdam, J. Hydrol. 7: 58-85.
9.Norozi, H., Nadiri, A., Asghari, A., and Gharekhani, M. 2017. Prediction of Transmissivity of Malekan Aquifer using Random Forest Method. J. Water Soil Sci. 27: 2. 61-75. (In Persian)
10.Pahlavan Rad, M.R., Khormali, F., Toomanian, N., Kiani, F., and Komaki, Ch.B. 2015. Digital Soil Mapping Using Random Forest Model in Golestan Province. J. Water Soil Cons. 21: 6. 73-93. (In Persian)
11.Shafaee Bajestan, M. 1999. Sediment Hydraulic. Shahid Chamran University. Press. 305p. (In Persian)
12.Shen, H.W., Fehlman, H.M., and Mendoza, C. 1990. Bed Form Resistances in Open Channel Flows. California, J. Hydr. Engin. 116: 6. 799-815.
13.Youssef, A.M., Pourghasemi, H.R., Pourtaghi, Z.S., and Al-Katheeri, M.M. 2016. Landslide susceptibility mapping using random forest, boosted regression tree, classification and regression tree and general linear models and comparison of their performance at Wadi Tayyah Basin, Asir Region, Saudi Arabia. Landslides, 13: 5. 839-856. | ||
آمار تعداد مشاهده مقاله: 590 تعداد دریافت فایل اصل مقاله: 521 |