این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات آب و خاک ایران، جلد ۴۹، شماره ۲، صفحات ۲۸۱-۲۹۲
عنوان فارسی بررسی کارایی روش‌های ناپارامتریک مبتنی بر تجزیه و تحلیل باقیمانده‌ها و پارامتریک در برآورد عدم قطعیت مدل هیدرولوژیکی
چکیده فارسی مقاله به منظور تصمیم‌گیری مناسب جهت اجرای اقدامات مدیریتی نیاز است تا علاوه بر خروجی مدل دامنه عدم قطعیت آن نیز برآورد گردد. در تحقیق حاضر کارایی روش‌های ناپارامتریک LEC (Local Errors and Clustering)، رگرسیون چندک و جنگل تصادفی در برآورد عدم قطعیت مدل یکپارچه HBV در حوضه چهل‌چای استان گلستان بررسی گردید. پس از بهینه‌‌سازی پارامترهای مدل HBV با استفاده از روش تکامل تصادفی جوامع، مدل برای دوره‌های واسنجی و صحت سنجی اجرا و مقادیر باقیمانده‌ها محاسبه گردید. نتایج نشان داد با در نظر گرفتن متغیرهای دبی برآوردی، دبی مشاهداتی، مقدار بارش و مقادیر باقیمانده‌ها در حوضه مورد مطالعه داده‌های ورودی در چهار خوشه فازی قرار می‌گیرند. نتایج برآورد عدم قطعیت نشان داد بزرگترین و کوچکترین مقدار دامنه عدم قطعیت به ترتیب توسط روش‌های LEC در حالتی که توسط ماشین بردار رگرسیون آموزش دیده باشد و روش جنگل تصادفی، بدست آمده است. با توجه به مقادیر شاخص‌های ارزیابی PICP (Prediction Interval Coverage Probability)، MPI (Mean Prediction Interval) و(Average Relative Interval Length) ARIL بهترین عملکرد مربوط به روش رگرسیون چندک و سپس روش LEC در حالتی که آموزش داده نشده است، بود. در مقایسه با روش‌های ناپارامتریک، روش(Generalized Liklihod Uncertainty Estimation)  GLUE با توجه به مقادیر هر سه معیار ارزیابی عملکرد مناسبی نداشت.
کلیدواژه‌های فارسی مقاله بارش رواناب، جنگل تصادفِی، رگرسِیون چندک، GLUE،
عنوان انگلیسی The efficiency of nonparametric methods based on residual analizes and parametric method to estimate hydrological model uncertainty
چکیده انگلیسی مقاله Despite modern scientific knowledge and computational power in hydrology, the key to properly addressing hydrologic uncertainty remains a critical and challenging one. Here, we applied lumped HBV hydrological model to describe the uncertainty in runoff prediction in Chehl-Chay watershed in Golestan province. We applied a new framework for uncertainty analysis that is rooted on ideas from predicting model residual uncertainty. The uncertainty calculated by local Errors and Clustering (EEC) is compared with estimates from two non parametric methods (quantile regression (QR) and random forest (RF)) and a parametric method (GLUE). Firstly, the model parameters were optimized by Shuffled Complex Evolution approach and model residuals of test data were computed. Fuzzy clustering in EEC is carried out by the fuzzy c-means method and employs four clusters, predictive discharges, observed discharges, rainfall values and residuals in study basin. The results of this case study show that the uncertainty estimates obtained by EES which is trained by SVM gives wider uncertainty band and RF gives narrower uncertainty band. The best overall uncertainty estimates according to the PICP, MPI and ARIL indices were obtained with QR and then EEC. In comparison with non-parametric, with respct to all indices nonparametric methods had better performance than GLUE method.
کلیدواژه‌های انگلیسی مقاله Rainfall -runoff, Random forest, quantile regression, GLUE
نویسندگان مقاله ابوالحسن فتح آبادی |
عضو هیات علمی، دانشگاه گنبد کاووس

حامد روحانی |
دانشگاه گنبد کاووس

سیدمرتضی سیدیان |
دانشگاه گنبدکاووس

نشانی اینترنتی https://ijswr.ut.ac.ir/article_65979_3775b45f5c62c2a76fd52002258e0c5b.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/684/article-684-628267.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