بررسی تأثیر شبکه موجک بر کارایی شبکه عصبی مصنوعی در پیشبینی رسوبات سیلابی
معمولاً سهم قابل‌ملاحظه‌ای از خسارت‌های ناشی از سیلاب، به رسوبات معلق در جریان سیل و هزینه‌های لایروبی ناشی از نشست آن‌ها در مناطق طبیعی، مسکونی و صنعتی برمی‌گردد. ازاین‌رو هنگام وقوع سیلاب علاوه بر پارامتر دبی آب، پایش دبی رسوبات حمل شده در آب نیز بسیار حائز اهمیت است. امروزه شبکه‌های عصبی مصنوعی ب...
Saved in:
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Ferdowsi University of Mashhad
2024-01-01
|
| Series: | جغرافیا و مخاطرات محیطی |
| Subjects: | |
| Online Access: | https://geoeh.um.ac.ir/article_43831_3abb9291b86828ed0e176a7ac33025b2.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1832592588340723712 |
|---|---|
| author | حلیمه یار مهدی حیات‌زاده علی فتح‌زاده حمیده افخمی |
| author_facet | حلیمه یار مهدی حیات‌زاده علی فتح‌زاده حمیده افخمی |
| author_sort | حلیمه یار |
| collection | DOAJ |
| description | معمولاً سهم قابل‌ملاحظه‌ای از خسارت‌های ناشی از سیلاب، به رسوبات معلق در جریان سیل و هزینه‌های لایروبی ناشی از نشست آن‌ها در مناطق طبیعی، مسکونی و صنعتی برمی‌گردد. ازاین‌رو هنگام وقوع سیلاب علاوه بر پارامتر دبی آب، پایش دبی رسوبات حمل شده در آب نیز بسیار حائز اهمیت است. امروزه شبکه‌های عصبی مصنوعی به‌خوبی برای پیشبینی سری‌های زمانی غیرخطی توسعه یافته‌اند، اما ماهیت غیرخطی داده‌های رسوب و تأثیر گسترده‌ای از عوامل مختلف بر میزان دبی رسوب، منجر شده تا پیشبینی این داده‌ها همواره با چالش‌هایی مواجه باشند. تئوری موجک ازجمله روش‌های پیش‌پردازشی است که میتواند با تجزیه سری‌های زمانی اصلی به سیگنال‌های فرعی منجر به‌وضوح بهتر روابط درونی داده‌های غیرخطی گردد. در تحقیق حاضر مقادیر داده‌های رسوب در دو ایستگاه آبنما و میناب از حوزه آبخیز رودان هرمزگان قبل از ورود به شبکه عصبی مصنوعی از طریق تبدیل موجک به سیگنال‌های فرعی شکسته شد و سپس توسط شبکه عصبی مصنوعی فرایند پیشبینی صورت پذیرفت. همچنین به‌منظور بررسی تأثیر تبدیل موجک در عملکرد مدل شبکه عصبی، نتایج حاصل از این مدل ترکیبی با نتایج به دست آمده از مدل شبکه عصبی منفرد مقایسه گردید و کارایی آن‌ها با استفاده از روش اعتبارسنجی چندتکه، همبستگی و ریشه میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج حاصله نشان داد شبکه عصبی مصنوعی در دو ایستگاه موردمطالعه به ترتیب با همبستگی 89/0 و 68/0 و شبکه عصبی موجکی با همبستگی 9/0 و 8/0 قادر به شبیه‌سازی میزان رسوبات هستند. همچنین آماره نرمال شده ریشه میانگین مربعات خطا به ترتیب در شبکه‌های عصبی مصنوعی 104/0 و 35/0 و در شبکه‌های ترکیبی 124/0 و 18/0 به دست آمد. با توجه به نتایج داده‌ها، تأثیر موجک در شناسایی سیگنال‌های فرعی و در نتیجه بهبود عملکرد مدل نسبت به شبکه‌های عصبی منفرد در پیشبینی میزان رسوبات قابل‌حمل در سیلاب به‌وضوح قابل‌توجه است. |
| format | Article |
| id | doaj-art-a9123c57060148cfa7958d8d2dcea9c6 |
| institution | Kabale University |
| issn | 2322-1682 2383-3076 |
| language | English |
| publishDate | 2024-01-01 |
| publisher | Ferdowsi University of Mashhad |
| record_format | Article |
| series | جغرافیا و مخاطرات محیطی |
| spelling | doaj-art-a9123c57060148cfa7958d8d2dcea9c62025-01-21T06:40:52ZengFerdowsi University of Mashhadجغرافیا و مخاطرات محیطی2322-16822383-30762024-01-0112416118610.22067/geoeh.2023.80745.134243831بررسی تأثیر شبکه موجک بر کارایی شبکه عصبی مصنوعی در پیشبینی رسوبات سیلابیحلیمه یار0مهدی حیات‌زاده1علی فتح‌زاده2حمیده افخمی3کارشناسی ارشد آبخیزداری، دانشگاه اردکان، اردکان، ایراناستادیار آبخیزداری، دانشگاه اردکان، اردکان، ایراندانشیار آبخیزداری، دانشگاه اردکان، اردکان، ایراندکتری آبخیزداری، شرکت آب منطقه‌ای تهران، وزارت نیرو، تهران، ایرانمعمولاً سهم قابل‌ملاحظه‌ای از خسارت‌های ناشی از سیلاب، به رسوبات معلق در جریان سیل و هزینه‌های لایروبی ناشی از نشست آن‌ها در مناطق طبیعی، مسکونی و صنعتی برمی‌گردد. ازاین‌رو هنگام وقوع سیلاب علاوه بر پارامتر دبی آب، پایش دبی رسوبات حمل شده در آب نیز بسیار حائز اهمیت است. امروزه شبکه‌های عصبی مصنوعی به‌خوبی برای پیشبینی سری‌های زمانی غیرخطی توسعه یافته‌اند، اما ماهیت غیرخطی داده‌های رسوب و تأثیر گسترده‌ای از عوامل مختلف بر میزان دبی رسوب، منجر شده تا پیشبینی این داده‌ها همواره با چالش‌هایی مواجه باشند. تئوری موجک ازجمله روش‌های پیش‌پردازشی است که میتواند با تجزیه سری‌های زمانی اصلی به سیگنال‌های فرعی منجر به‌وضوح بهتر روابط درونی داده‌های غیرخطی گردد. در تحقیق حاضر مقادیر داده‌های رسوب در دو ایستگاه آبنما و میناب از حوزه آبخیز رودان هرمزگان قبل از ورود به شبکه عصبی مصنوعی از طریق تبدیل موجک به سیگنال‌های فرعی شکسته شد و سپس توسط شبکه عصبی مصنوعی فرایند پیشبینی صورت پذیرفت. همچنین به‌منظور بررسی تأثیر تبدیل موجک در عملکرد مدل شبکه عصبی، نتایج حاصل از این مدل ترکیبی با نتایج به دست آمده از مدل شبکه عصبی منفرد مقایسه گردید و کارایی آن‌ها با استفاده از روش اعتبارسنجی چندتکه، همبستگی و ریشه میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج حاصله نشان داد شبکه عصبی مصنوعی در دو ایستگاه موردمطالعه به ترتیب با همبستگی 89/0 و 68/0 و شبکه عصبی موجکی با همبستگی 9/0 و 8/0 قادر به شبیه‌سازی میزان رسوبات هستند. همچنین آماره نرمال شده ریشه میانگین مربعات خطا به ترتیب در شبکه‌های عصبی مصنوعی 104/0 و 35/0 و در شبکه‌های ترکیبی 124/0 و 18/0 به دست آمد. با توجه به نتایج داده‌ها، تأثیر موجک در شناسایی سیگنال‌های فرعی و در نتیجه بهبود عملکرد مدل نسبت به شبکه‌های عصبی منفرد در پیشبینی میزان رسوبات قابل‌حمل در سیلاب به‌وضوح قابل‌توجه است.https://geoeh.um.ac.ir/article_43831_3abb9291b86828ed0e176a7ac33025b2.pdfرسوب معلقداده‌کاوییادگیری ماشینشبکه عصبی مصنوعیشبکه موجک |
| spellingShingle | حلیمه یار مهدی حیات‌زاده علی فتح‌زاده حمیده افخمی بررسی تأثیر شبکه موجک بر کارایی شبکه عصبی مصنوعی در پیشبینی رسوبات سیلابی جغرافیا و مخاطرات محیطی رسوب معلق داده‌کاوی یادگیری ماشین شبکه عصبی مصنوعی شبکه موجک |
| title | بررسی تأثیر شبکه موجک بر کارایی شبکه عصبی مصنوعی در پیشبینی رسوبات سیلابی |
| title_full | بررسی تأثیر شبکه موجک بر کارایی شبکه عصبی مصنوعی در پیشبینی رسوبات سیلابی |
| title_fullStr | بررسی تأثیر شبکه موجک بر کارایی شبکه عصبی مصنوعی در پیشبینی رسوبات سیلابی |
| title_full_unstemmed | بررسی تأثیر شبکه موجک بر کارایی شبکه عصبی مصنوعی در پیشبینی رسوبات سیلابی |
| title_short | بررسی تأثیر شبکه موجک بر کارایی شبکه عصبی مصنوعی در پیشبینی رسوبات سیلابی |
| title_sort | بررسی تأثیر شبکه موجک بر کارایی شبکه عصبی مصنوعی در پیشبینی رسوبات سیلابی |
| topic | رسوب معلق داده‌کاوی یادگیری ماشین شبکه عصبی مصنوعی شبکه موجک |
| url | https://geoeh.um.ac.ir/article_43831_3abb9291b86828ed0e176a7ac33025b2.pdf |
| work_keys_str_mv | AT ḥlymhyạr brrsytạtẖyrsẖbḵhmwjḵbrḵạrạyysẖbḵhʿṣbymṣnwʿydrpysẖbynyrswbạtsylạby AT mhdyḥyạtzạdh brrsytạtẖyrsẖbḵhmwjḵbrḵạrạyysẖbḵhʿṣbymṣnwʿydrpysẖbynyrswbạtsylạby AT ʿlyftḥzạdh brrsytạtẖyrsẖbḵhmwjḵbrḵạrạyysẖbḵhʿṣbymṣnwʿydrpysẖbynyrswbạtsylạby AT ḥmydhạfkẖmy brrsytạtẖyrsẖbḵhmwjḵbrḵạrạyysẖbḵhʿṣbymṣnwʿydrpysẖbynyrswbạtsylạby |