این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
جغرافیا و توسعه، جلد ۱۵، شماره ۴۹، صفحات ۱۲۹-۱۴۲
عنوان فارسی مقایسۀ عملکرد مدل درختی M۵ با مدل‌های شبکۀ عصبی مصنوعی و ماشین بردار پشتیبان در استخراج منحنی تداوم جریان مطالعۀ موردی: ایستگاه خزانگاه رودخانۀ ارس
چکیده فارسی مقاله یکیاز مهم­ترینو پرکاربردترینعلائمپاسخهیدرولوژیکحوزه، منحنیتداومجریان استو درکاربرد‌هایهیدرولوژیکیبی‌شماری برای آنالیز فراوانیجریان­هایکمینهو سیلابمورد استفادهقرار می­گیرد. برای نمایش محدودۀ کامل دبی رودخانه، از جریان‌های حداقل تا حداکثر سیلاب و منحنی تداوم جریان  (FDC)استفاده می‌شود؛ بنابراین استخراج دقیق این منحنی‌ها با حداقل خطا حائز اهمیت فراوانی است. در این مطالعه کارایی مدل درختی M5 در استخراج منحنی تداوم جریان در مقایسه با شبکۀ عصبی مصنوعی و ماشین بردار پشتیبان برای ایستگاه خزانگاه رودخانۀ ارس واقع در استان آذربایجان شرقی بررسی شد.با توجه به نتایج به دست آمده در مدل درختی M5، ترکیب 80% داده­ها برای آموزش و مابقی برای تست مدل، بهترین عملکرد را در ارائۀ منحنی تداوم جریان با 992/0R2=، (m3/s)47/5RMSE= و (m3/s) 38/4MAE= نشان داد. با بررسی نتایج مدل‌های مختلف شبکۀ عصبی، بهترین مدل با 2 نرون برای لایه مخفی با مقادیر 997/0R2=، (m3/s) 91/3RMSE= و (m3/s) 30/3MAE= به‌دست آمد.بررسی عملکرد کرنل RBF مدل ماشین بردار پشتیبان نشان داد که این مدل بهترین عملکرد را در شبیه‌سازی منحنی تداوم جریان داشت؛ به‌طوری‌که دارای حداقل مقدار مجذور میانگین مربع‌های خطا ((m3/s) 98/2RMSE=)، بالاترین ضریب همبستگی (998/0R2=) و کمترین مقدار خطای نسبی ((m3/s) 66/2MAE=) بود. مقایسۀ نتایج بین انواع مدل‌های هوشمند مورد بررسی، بیانگر این است که هر سه مدل در تخمین مقادیر دبی منحنی تداوم جریان عملکرد مناسبی دارند؛ اما مدل درختی M5 به علت سادگی محاسبات و ارائۀ روابط شده، به لحاظ کاربردی قابلیت بیشتری می­تواند در استخراج منحنی تداوم داشته باشد.
کلیدواژه‌های فارسی مقاله تداوم، دبی جریان، رودخانۀ ارس، مقدار خطا، مدل‌های هوشمند،
عنوان انگلیسی Comparison the Performance of M5 Tree Model with the Artificial Neural Network and Support Vector Machine Models in Derivation of Flow Duration Curve, Case Study: Khazangah Station of Aras River
چکیده انگلیسی مقاله Flow duration curve is one of the most important and applicable signals of hydrologic response of a basin. This curve was used for analyzing the frequency of low and flood flows of a river in many hydrologic uses. Also, the flow duration curve (FDC) was used to display the complete domain of river discharge from minimum up to maximum flood. Therefore, accurate derivation of this curves with the least error is necessary. In this study, applicability of M5 Tree Model in derivation of flow duration curve in Khazangah station located on Aras River, East Azerbaijan province was investigated and compared with the results of Artificial Neural Network (ANN)  and Support Vector Machine (SVM) models. The results of M5Tree Model showed competition of 80 percent of data for training and the remaining for the testing has the best performance in presenting  the flow duration curve with values of R2=0.992, RMSE=5.47 m3/s and MAE=4.38 m3/s. The results of different structures of Neural Network showed the best model (2 neurons for hidden layer) was obtained with values of R2=0.997, RMSE=3.91 m3/s and MAE=3.30 m3/s. Also the performance of RBF kernel of Support Vector Machine Showed this model has the best ability in simulation of flow duration curve, so that this model has lowest error values of RMSE=2.98 m3/s, MAE=2.66 m3/s and highest value of R2=0.998. Comparison the results between the intelligence models showed that each three models have proper performance in determining the discharge values of flow duration curve. From the practical view, M5Tree Model has more applicability in derivation of flow duration curve because of the simplicity of the proposed equations and calculations.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله قربان مهتابی |


فاطمه بیات |


نشانی اینترنتی http://gdij.usb.ac.ir/article_3456_c426146b291aba8210c37e52ae398102.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/762/article-762-522712.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