مقایسه کارایی مدلهای یکپارچه و روشهای یادگیری ماشین در شبیهسازی دبی
در هیدرولوژی، فرآیند بارش - رواناب یکی از پیچیدهترین پدیدههای غیرخطی است. پیشبینی رواناب در حوضههای فاقد آمار یکی از چالشها در مدیریت منابع آب است. در این مطالعه کارایی مدلهای یکپارچه هیدرولوژیک و روشهای یادگیری ماشین در شبیهسازی دبی روزانه و ماهانه در حوضه آبخیز کبکیان که یکی از مهمترین سر...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
University of Tabriz
2025-03-01
|
| Series: | هیدروژئومورفولوژی |
| Subjects: | |
| Online Access: | https://hyd.tabrizu.ac.ir/article_18863_113a61e436597591b17e5c36c0221c63.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1849721484232097792 |
|---|---|
| author | زهره خورسندی کوهانستانی فاطمه طاعت پور |
| author_facet | زهره خورسندی کوهانستانی فاطمه طاعت پور |
| author_sort | زهره خورسندی کوهانستانی |
| collection | DOAJ |
| description | در هیدرولوژی، فرآیند بارش - رواناب یکی از پیچیدهترین پدیدههای غیرخطی است. پیشبینی رواناب در حوضههای فاقد آمار یکی از چالشها در مدیریت منابع آب است. در این مطالعه کارایی مدلهای یکپارچه هیدرولوژیک و روشهای یادگیری ماشین در شبیهسازی دبی روزانه و ماهانه در حوضه آبخیز کبکیان که یکی از مهمترین سرشاخههای رودخانه کارون است، بررسی شد. مدلهای هیدرولوژیک یکپارچه AWBM، Sacramento، SIMHYD، SMAR و TANK و الگوریتمهای مختلف روش درخت تصمیم، شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان برای شبیهسازی دبی روزانه و ماهانه حوضه استفاده شد. سریهای ماهانه و روزانه بارش، تبخیر و تعرق پتانسیل و دبی در دوره آماری 1401-1350 برای این منظور استفاده شدند. برای ارزیابی کارایی مدلها نیز از ضرایب کارایی R2 ، NS و RMSE به کار گرفته شد. نتایج نشان داد که مدلهای SMAR و AWBM بهترین کارایی را در شبیهسازی دبی روزانه در حوضه آبخیز کبکیان در مقایسه با سایر مدلهای هیدرولوژیک استفاده شده داشتهاند و مقادیر ضریب نش ساتکلیف این دو مدل در مرحله صحت سنجی به ترتیب 79/0 و 78/0 بوده که نشان از کارایی بسیار خوب این مدلها در شبیهسازی دبی روزانه دارد. در سریهای ماهانه نیز مدلهای SMAR و AWBM با ضریب نش ساتکلیف به ترتیب 71/0 و 72/0 و ضریب تبیین 79/0 و 79/0 کارایی خوب داشتهاند. در روشهای یادگیری ماشین در مقیاس روزانه، روش درخت تصمیم با الگوریتم جنگل تصادفی با ضریب تبیین 61/0 بهترین کارایی را در شبیهسازی دبی داشتهاست. در شبیهسازی دبی ماهانه، الگوریتم جنگل تصادفی با ضریب تبیین 93/0 کارایی خیلی خوبی داشتهاست. |
| format | Article |
| id | doaj-art-ab91fd2488f445a9836a79c9e521c81e |
| institution | DOAJ |
| issn | 2383-3254 2676-4571 |
| language | fas |
| publishDate | 2025-03-01 |
| publisher | University of Tabriz |
| record_format | Article |
| series | هیدروژئومورفولوژی |
| spelling | doaj-art-ab91fd2488f445a9836a79c9e521c81e2025-08-20T03:11:39ZfasUniversity of Tabrizهیدروژئومورفولوژی2383-32542676-45712025-03-011242806010.22034/hyd.2024.63280.175418863مقایسه کارایی مدلهای یکپارچه و روشهای یادگیری ماشین در شبیهسازی دبیزهره خورسندی کوهانستانی0فاطمه طاعت پور1استادیار گروه مهندسی طبیعت، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی، خوزستان، ایران.دانشجوی دکتری، دانشکده مهندسی مرتع و آبخیزدری، دانشگاه یزد، ایراندر هیدرولوژی، فرآیند بارش - رواناب یکی از پیچیدهترین پدیدههای غیرخطی است. پیشبینی رواناب در حوضههای فاقد آمار یکی از چالشها در مدیریت منابع آب است. در این مطالعه کارایی مدلهای یکپارچه هیدرولوژیک و روشهای یادگیری ماشین در شبیهسازی دبی روزانه و ماهانه در حوضه آبخیز کبکیان که یکی از مهمترین سرشاخههای رودخانه کارون است، بررسی شد. مدلهای هیدرولوژیک یکپارچه AWBM، Sacramento، SIMHYD، SMAR و TANK و الگوریتمهای مختلف روش درخت تصمیم، شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان برای شبیهسازی دبی روزانه و ماهانه حوضه استفاده شد. سریهای ماهانه و روزانه بارش، تبخیر و تعرق پتانسیل و دبی در دوره آماری 1401-1350 برای این منظور استفاده شدند. برای ارزیابی کارایی مدلها نیز از ضرایب کارایی R2 ، NS و RMSE به کار گرفته شد. نتایج نشان داد که مدلهای SMAR و AWBM بهترین کارایی را در شبیهسازی دبی روزانه در حوضه آبخیز کبکیان در مقایسه با سایر مدلهای هیدرولوژیک استفاده شده داشتهاند و مقادیر ضریب نش ساتکلیف این دو مدل در مرحله صحت سنجی به ترتیب 79/0 و 78/0 بوده که نشان از کارایی بسیار خوب این مدلها در شبیهسازی دبی روزانه دارد. در سریهای ماهانه نیز مدلهای SMAR و AWBM با ضریب نش ساتکلیف به ترتیب 71/0 و 72/0 و ضریب تبیین 79/0 و 79/0 کارایی خوب داشتهاند. در روشهای یادگیری ماشین در مقیاس روزانه، روش درخت تصمیم با الگوریتم جنگل تصادفی با ضریب تبیین 61/0 بهترین کارایی را در شبیهسازی دبی داشتهاست. در شبیهسازی دبی ماهانه، الگوریتم جنگل تصادفی با ضریب تبیین 93/0 کارایی خیلی خوبی داشتهاست.https://hyd.tabrizu.ac.ir/article_18863_113a61e436597591b17e5c36c0221c63.pdfشبیهسازی دبییادگیری ماشینمدل یکپارچهحوضه آبریز کبکیان |
| spellingShingle | زهره خورسندی کوهانستانی فاطمه طاعت پور مقایسه کارایی مدلهای یکپارچه و روشهای یادگیری ماشین در شبیهسازی دبی هیدروژئومورفولوژی شبیهسازی دبی یادگیری ماشین مدل یکپارچه حوضه آبریز کبکیان |
| title | مقایسه کارایی مدلهای یکپارچه و روشهای یادگیری ماشین در شبیهسازی دبی |
| title_full | مقایسه کارایی مدلهای یکپارچه و روشهای یادگیری ماشین در شبیهسازی دبی |
| title_fullStr | مقایسه کارایی مدلهای یکپارچه و روشهای یادگیری ماشین در شبیهسازی دبی |
| title_full_unstemmed | مقایسه کارایی مدلهای یکپارچه و روشهای یادگیری ماشین در شبیهسازی دبی |
| title_short | مقایسه کارایی مدلهای یکپارچه و روشهای یادگیری ماشین در شبیهسازی دبی |
| title_sort | مقایسه کارایی مدلهای یکپارچه و روشهای یادگیری ماشین در شبیهسازی دبی |
| topic | شبیهسازی دبی یادگیری ماشین مدل یکپارچه حوضه آبریز کبکیان |
| url | https://hyd.tabrizu.ac.ir/article_18863_113a61e436597591b17e5c36c0221c63.pdf |
| work_keys_str_mv | AT zhrhkẖwrsndyḵwhạnstạny mqạyshḵạrạyymdlhạyyḵpạrcẖhwrwsẖhạyyạdgyrymạsẖyndrsẖbyhsạzydby AT fạṭmhṭạʿtpwr mqạyshḵạrạyymdlhạyyḵpạrcẖhwrwsẖhạyyạdgyrymạsẖyndrsẖbyhsạzydby |