این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات آب و خاک ایران، جلد ۵۶، شماره ۲، صفحات ۳۳۱-۳۴۹
عنوان فارسی ترکیب مدل ماشین یادگیری افراطی مناسب داده پرت (ORELM) با مدل خطی میانگین متحرک اتورگرسیو فصلی(SARIMA) برای بهبود دقت مدل‌سازی رواناب
چکیده فارسی مقاله پیش‌بینی دقیق و قابل اعتماد رواناب نقش مهمی در مدیریت منابع آب داشته، اما ماهیت پیچیده این پارامتر ‌‌می‎تواند چالش‎های عمده‎‍‎ای را برای توسعه مدل‎های پیش‎بینی مناسب ایجاد کند. دو مدل هیبرید براساس ترکیب دو مدل خطی و غیرخطی ساده برای مدل‌سازی رواناب ماهانه در ایستگاه هیدرولوژیکی 02PL005 در حوزه رودخانه سنت لارنس در کشور کانادا پیشنهاد گردیده است. مدل خطی میانگین متحرک اتورگرسیو فصلی SARIMA برای پرداختن به ویژگی‎های خطی و فصلی رواناب پیشنهاد شده است. در حالیکه مدل پرسپترون چند لایه (MLP) و ماشین یادگیری افراطی(ORELM) برای پرداختن به ویژگی‎های غیرخطی داده‎ها از طریق یادگیری ماشین و تشخیص الگو به کار برده شده است. به منظور افزایش دقت مدل‌سازی در مرحله اول مدل‌سازی ایستایی و نرمالیته داده‎ها مورد بررسی قرار گرفت و با انجام پیش‎پردازش‌‌ مناسب داده‎ها برای مدل‌سازی در بخش خطی آماده گردیدند. سپس با تعریف زیرسناریوهای مختلف و انجام مدل‌سازی از طریق مدل خطی، بهترین مدل خطی از طریق آماره‌های ریاضی مختلف شامل MAE، RMSE، R و AIC انتخاب گردید. در مرحله پایانی باقیمانده‎های مدل خطی توسط دو مدل غیرخطی شامل ANN و ORELM مدل‌سازی گردیدند. مقایسه نتایج مدل‎های هیبرید پیشنهادی نشان داد که مدل هیبرید SARIMA-ORELM با AIC=249.29، R=0.71، MAE=11.2 و RMSE=14.33  در تمامی معیارهای ریاضی بهتر از مدل SARIMA-MLP عمل می‎کند. همچنین نتایج مدل‎های هیبرید با مدل‎های متداول MLP، ORELM و SARIMA مقایسه گردید.
کلیدواژه‌های فارسی مقاله رواناب ماهانه،مدل هیبرید،MLP،ORELM SARIMA،
عنوان انگلیسی Combining Outlier Robust Extreme Learning Machine (ORELM) with seasonal autoregressive moving average linear model (SARIMA) to improve the accuracy of runoff modeling
چکیده انگلیسی مقاله Accurate and reliable runoff forecasting has an important role in water resources management, but the complex nature of this parameter can create major challenges for the development of appropriate forecasting models. Two hybrid models based on the combination of two simple linear and non-linear models have been proposed for runoff modeling at hydrological station 02PL005 in the St. Lawrence River basin in Canada. Seasonal autoregressive moving average (SARIMA) linear model is proposed to address the linear and seasonal characteristics of runoff. While the artificial neural network (ANN) and Outlier Robust Extreme Learning Machine (ORELM) models have been used to deal with the nonlinear characteristics of the data through machine learning and pattern recognition. In order to increase the accuracy of the modeling, in the first stage of modeling, the normality and stationary of the data was examined, and by performing appropriate pre-processing, the data were prepared for modeling in the linear part. Then by defining different sub-scenarios and performing modeling through linear model, the best linear model was selected through different mathematical statistics including MAE, RMSE, R and AIC. In the final stage, the residuals of the linear model were modeled by two non-linear models including ANN and ORELM models. Comparing the results of the proposed hybrid models showed that the SARIMA-ORELM hybrid model with AIC=249.29, R=0.71, MAE=11.2 and RMSE=14.33 performs better than the SARIMA-MLP model in all mathematical criteria. Also, the results of the hybrid models were compared with the common MLP, ORELM and SARIMA models.
کلیدواژه‌های انگلیسی مقاله رواناب ماهانه,مدل هیبرید,MLP,ORELM SARIMA
نویسندگان مقاله فرشته نورمحمدی ده بالایی |
گروه مهندسی عمران، دانشکده فنی مهندسی، دانشگاه رازی کرمانشاه، ایران

آرش آذری |
دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه رازی کرمانشاه، ایران

علی اکبر اختری |
گروه مهندسی عمران، دانشکده فنی مهندسی، دانشگاه رازی، کرمانشاه، ایران.

نشانی اینترنتی https://ijswr.ut.ac.ir/article_101765_27d51cf9df2a529d369f883310bbc0ae.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات