این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی و مدیریت آبخیز، جلد ۸، شماره ۱، صفحات ۱۱۵-۱۲۷
عنوان فارسی گزارش فنی: پیش‌بینی سیلاب‌های ساعتی رودخانه اهرچای با استفاده از روش‌های یادگیری ‌ماشین
چکیده فارسی مقاله سیل یکی از حوادث طبیعی است که هر ساله خسارات بسیاری در نقاط مختلف جهان به‌وجود می­‌آورد. پیش‌بینی دقیق سیلاب در کاهش خسارات جانی و مالی و مدیریت منابع آب از اهمیت بسزایی برخوردار است. هدف از مطالعه حاضر، مقایسه قابلیت­‌های روش­‌های رگرسیون ماشین بردار پشتیبان، مدل درختی M5 و مدل رگرسیون خطی در برآورد دبی سیلاب یک و دو ساعت آینده ایستگاه تازه‌­کند در رودخانه اهرچای می‌باشد. داده‌های تاریخی دبی-اشل ساعتی ایستگاه تازه­‌کند و 14 رویداد مهم سیل برای ایجاد مدل مورد استفاده قرار گرفت. نتایج نشان داد که روش رگرسیون ماشین‌ بردار پشتیبان با ضریب تبیین 0.96 و جذر میانگین مربعات خطا M3s-1) 0.0472) برای سیلاب یک ساعت بعد و 0.90=R2 و M3.s-1) RMSE=0.1596 برای سیلاب دو ساعت بعد بهترین نتیجه را ارائه نمود. گرچه مدل درختی M5 دقت نسبتا کمتری نسبت به روش رگرسیون ماشین بردار پشتیبان داشت، ولی به لحاظ ارائه روابط خطی ساده و قابل فهم می‌­تواند به‌عنوان یک روش کاربردی در پیش‌بینی دبی سیلاب­‌های ساعتی مورد استفاده قرار گیرد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Technical Note: Hourly river flow forecast of Aharchay River using‏ ‏machine learning ‎methods
چکیده انگلیسی مقاله Floods are the main natural disasters that produce serious agricultural, environmental, and socioeconomical damages in many parts of the world. Accurate estimation of river flow in streams can have a significant role in water resources management and in protection from possible damages. This study aims to compare the abilities of Support Vector Machine (SVM), M5 model trees and Linear Regression (LR) methods in forecasting hourly discharge flow of Aharchay River. The hourly water level-discharge and 14 flood events data of Aharchay River measured at the Tazekand hydrometric station was used for modeling. The results showed that the SVM method gives more accurate results than the M5 model and LR method in forecasting river flow for next one and two hours with the R2=0.96 and RMSE=0.0472 (m3s-1) and the R2=0.90 and RMSE=0.1596 (m3s-1), respectively. Comparing the performance of SVR and M5 models indicated that, however the SVR approach may present more accurate results than the M5 model tree, but the M5 model provides more understandable, applicable and simple linear relation in forecasting hourly discharge. Thus, the M5 model tree can be used as an alternative method in forecasting hourly discharge.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمدتقی ستاری | mohammad taghi
استادیار، دانشکده کشاورزی، دانشگاه تبریز
سازمان اصلی تایید شده: دانشگاه تبریز (Tabriz university)

محمدرضا عبداله پورآزاد | mohammad reza abdollah pourazad
کارشناس ارشد، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی واحد اهر
سازمان اصلی تایید شده: دانشگاه آزاد اسلامی اهر (Islamic azad university of ahar)

رسول میرعباسی نجف آبادی |
استادیار، دانشکده کشاورزی، دانشگاه شهرکرد
سازمان اصلی تایید شده: دانشگاه شهرکرد (Shahr kord university)

نشانی اینترنتی http://jwem.areo.ir/article_105979_000395eb7c0bc9b787ca14973dca37e8.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1259/article-1259-421511.pdf
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