این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های حفاظت آب و خاک، جلد ۲۵، شماره ۳، صفحات ۱۹۳-۲۰۷
عنوان فارسی کاربرد روش‌های شبکه‌ی بیزین و حداقل مربعات ماشین بردار پشتیبان در پیش بینی تراز سطح آب دریاچه ارومیه
چکیده فارسی مقاله سابقه و هدف: دریاچه ارومیه به عنوان یک اکوسیستم آبی مهم در شمال غرب ایران واقع شده است. در 14 سال اخیر میانگین تراز سطح آب دریاچه ارومیه به 2/1272 متر تقلیل پیدا کرده و این به این معنی است که اختلاف تراز سطح اکولوژیک دریاچه و تراز سطح کنونی 2 متر است. خشک شدن دریاچه ارومیه باعث بروز مسائل و بحران‌های جدی برای حوضه، استان‌های مجاور و کشور خواهد شد. در این تحقیق از پارامترهای موثر مستقیم و غیر مستقیم در پیش-بینی تراز سطح دریاچه از جمله تبخیر، رواناب ورودی به دریاچه، بارش، دما، باد، میانگین رطوبت هوا و تراز سطح آب دریاچه در ماه قبل به عنوان ورودی‌های مدل استفاده شده است. مقایسه کارایی مدل‌های شبکه‌ی بیزین که یک مدل احتمالاتی تحت شرایط عدم قطعیت و الگوریتم ماشینی حداقل مربعات ماشین بردار پشتیبان، هدف اصلی تحقیق حاضر است. مواد و روش‌ها: در تحقیق حاضر از دو روش حداقل مربعات ماشین بردار پشتیبان و شبکه بیزین در فرایند مدل-سازی استفاده گردید. در این مطالعه عوامل موثر در پیش بینی تراز سطح دریاچه در ماه قبل به عنوان ورودی و تراز سطح آب دریاچه در ماه کنونی به عنوان خروجی مدل‌ها مورد بررسی قرار گرفت. جهت تخمین دما، تبخیر، بارش، باد و میانگین رطوبت هوا بر روی سطح دریاچه از داده‌های پنج ایستگاه سینوپتیک مجاور دریاچه با برآورد ضریب تیسن هر ایستگاه و داده‌های 13 ایستگاه هیدرومتری واقع بر رودخانه‌های منتهی به دریاچه جهت تشکیل پارامترهای ورودی دو مدل محاسبه گردید. یافته‌ها: تحلیل داده‌های ایستگاه‌های هیدرومتری نشان داد که تنها چهار ایستگاه از 13 ایستگاه هیدرومتری از نرمال پیروی می‌کنند. مقایسه و بررسی نتایج دو مدل با بررسی ضرایب R2، RMSE، MBE و ناش ساتکلیف حاکی از برتری عملکرد مدل حداقل مربعات ماشین بردار پشتیبان در مقایسه با شبکه بیزین است. این مقادیر برای مدل برتر به ترتیب برابر با 3/92%، 082/0متر، 012/0-متر و 86/0 بدست آمد. نتیجه‌گیری: در این تحقیق معیارهای ارزیابی نشان داد که مدل حداقل مربعات ماشین بردار پشتیبان نسبت به مدل شبکه بیزین دارای برتری است. نکته حائز اهمیت در مقایسه دو مدل آن است که ماهیت مدل حداقل مربعات ماشین بردار پشتیبان، ماشینی است ولی ماهیت شبکه بیزین یک مدل احتمالاتی تحت شرایط عدم قطعیت است که در آن از توزیع نرمال جهت آموزش متغیرهای شبکه استفاده شده است. از آنجایی که ماهیت وقوع رخدادهای طبیعی تصادفی است، بنابراین استفاده از مدل شبکه بیزین نسبت به مدل حداقل مربعات ماشین بردار پشتیبان می‌تواند توصیه گردد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Application of Bayesian Network and LS-SVM Methods in Predicting Water Surface Level of Urmia Lake
چکیده انگلیسی مقاله Background and Objectives: Urmia lake, as an important water ecosystem, is located in the northwest of Iran. Over the past 14 years, the average of Urmia Lake water surface level has decreased to 1272.2 m and it means that the difference between the ecological level of the lake and the present water level is 2-meter. Drying the Urmia Lake will cause serious problems and crises for the watershed, adjacent provinces and the country. In this research, direct and indirect effective parameters in predicting of the lake level such as evaporation, input runoff to the lake, precipitation, temperature, wind, mean air humidity and water level in the previous month have been employed. The comparison of the efficiency of two models namely the Bayesian network, which is a probabilistic model under conditions of uncertainty and the machine algorithm of Least Square Support Vector Machine (LS-SVM) is the main objective of the present research. Materials and Methods: In the present research, two methods including least squares support vector machine and Bayesian were employed in the modelling process. In this study, effective factors in predicting Urmia lake water level in the previous month as inputs for the used models and water level in the present month as outputs were investigated. The inputs of the models were including The surface of lake level such as temperature, evaporation, wind, average humidity, precipitation on the lake surface, total input runoff to the lake and the surface of lake water level in the previous month as input of models and surface of level Lake water was studied as the output of the current month. To estimate the temperature, evaporation, wind rainfall and average air humidity on surface lake, five synoptic stations in the adjacent lake data are estimated by evaluating the Thiessen coefficient of each station and the data of 13 hydrometric stations located on the rivers were calculated to lead the lake as input parameters of two model. Result: The analysis of hydrometric stations data showed that the data of only 4 stations among 13 stations are fitted to the normal distribution. Comparison and investigation of the results of two model by examining the coefficients R2, RMSE, MBE and Nash-Sutcliff indicate superiority of the least squared vector machine model compared to the Bayesian network. These values for the superior model were 92.3%, 0.082, 0.122 and 0.86, respectively. Conclusion: In this research, the criteria for evaluating and comparing the accuracy of the two model in prediction based on R2, RMSE, MBE and Nash-Sutcliff criteria indicated that the least square vector machine is superior to the Bayesian model. But the important point in comparing the two model is that the nature of the least squares support vector machine is a machine, however, the nature of the Bayesian network is a probabilistic model under uncertainty conditions in which the normal distribution is used to train network variables because the nature of events is random. Therefore, in this research, the use of Bayesian network model is recommended to the least-squares support vector machine model.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سجاد کریمزادگان |
دانشگاه ارومیه

جواد بهمنش |
دانشگاه ارومیه- گروه مهندسی آب

حسین رضایی |
دانشیار گروه مهندسی آب، دانشگاه ارومیه

نشانی اینترنتی http://jwsc.gau.ac.ir/article_4242_016b38727e73a176874b02ce767bdbb6.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1379/article-1379-898066.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