دوره 9، شماره 18 - ( پاییز و زمستان 1397 )
جلد 9 شماره 18 صفحات 189-178 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Akhoni Pourhosseini F, Ali Gorbani M, Shahedi K. (2019). Applying Shannon Entropy in Bayesian Network Input Preprocessing For Time Series Modeling
. J Watershed Manage Res. 9(18), 178-189. doi:10.29252/jwmr.9.18.178
URL: http://jwmr.sanru.ac.ir/article-1-633-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-633-fa.html
آخونی پورحسینی فاطمه، قربانی محمد علی، شاهدی کاکا. استفاده از آنتروپی شانون در پیش‌پردازش ورودی شبکه بیزین جهت مدل‌سازی سری‌های زمانی
پژوهشنامه مديريت حوزه آبخيز 1397; 9 (18) :189-178 10.29252/jwmr.9.18.178
1- دانشگاه تبریز
2- دانشگاه علوم کشاورزی ومنابع طبیعی ساری
2- دانشگاه علوم کشاورزی ومنابع طبیعی ساری
چکیده: (3724 مشاهده)
انتخاب ورودی‌های مناسب برای مدل‌های هوشمند از اهمیت بسزایی برخوردار است. زیرا باعث کاهش هزینه و صرفه‌جویی در وقت و افزایش دقت و کارایی مدل‌ها می‌شود. هدف از این مطالعه، کاربرد آنتروپی شانون برای انتخاب ترکیب بهینه متغیرهای ورودی در مدل‌سازی سری زمانی می‌باشد. سری زمانی ماهانه بارش، دما و تابش در دوره زمانی 1361تا1389 برای ایستگاه سینوپتیک تبریز مورداستفاده قرار گرفت. پارامترهای بارش، دما و تابش با تأخیرهای مختلف به‌عنوان ورودی به آنتروپی شانون در نظر گرفته شد. نتایج آنتروپی شانون نشان داد که سری زمانی با سه تأخیر، نتایج بهتری را برای مدل‌سازی ارائه می‌دهد. شبیه‌سازی با استفاده از دو مدل شبکهی بیزین و رگرسیون خطی چند متغیره انجام گرفت. کارایی مدل‌ها با استفاده از سه معیار: ضریب تبیین (R2)، ریشه جذر میانگین خطا (RMSE) و شاخص پراکندگی (SI) محاسبه گردید. از میان این دو مدل با ساختار ورودی‌های یکسان، مدل شبکه عصبی بیزین عملکرد بهتری برای شبیه‌سازی سری زمانی بارش، دما و تابش در مقایسه با رگرسیون چندمتغیره داشته است. نتایج تحقیق نشان داد که آنتروپی شانون در انتخاب ترکیب ورودی مناسب برای مدل‌های هوشمند می تواند کارایی بهتری داشته باشد.
فهرست منابع
1. Amorocho, J. and B. Espildora. 1973. Entropy in the assessment of uncertainty in hydrologic systems and models. Journal of Water Resource. Research, 9(6): 1551-1522. [DOI:10.1029/WR009i006p01511]
2. Al-Zahrani, M. and T. Husain. 1998. An algorithm for designing a precipitation network in the south- western region of Saudi Arabia. Journal of Hydrology, 205: 205-216. [DOI:10.1016/S0022-1694(97)00153-4]
3. Botsis, D., P. Latinopoulos, K. Diamantaras. 2012. Investigation of The Effect of Interception and Evapotranspiration on the rain fall-Run off Relationship using Bayesian Networks, 12th International Conference on Environmental Science and Technology (CEST), 8 - 10 September, Rhodes, Greece
4. Brunsell, N.A. 2010. A multistate information theory approach to assess spatial-temporal variability of daily precipitation. Journal of Hydrology, 385: 165-172. [DOI:10.1016/j.jhydrol.2010.02.016]
5. Carmona, G., J.L. Molina, J. Bromley, C. Varela-Ortega and J.L. Garcia-Arostegu. 2011. Object Oriented Bayesian network for participatory water management, two case Studies in Spain, Journal of Water resources planning and management, 137: 366-376. [DOI:10.1061/(ASCE)WR.1943-5452.0000116]
6. Chiang, W. and Y. Hui-Chung. 2014. Spatiotemporal Scaling Effect on Rainfall Network Design Using Entropy. Journal of Entropy in Hydrology, 16: 4626-4647. [DOI:10.3390/e16084626]
7. Chen, Sh. 2015. Mining Informative Hydrologic Data by Using Support Vector Machines and Elucidating Mined Data according to Information Entropy, Journal of entropy, 17: 1023-1041. [DOI:10.3390/e17031023]
8. Farmani, R., H.J. Henriksen and D. Savic. 2009. An evolutionary Bayesian belief network methodology for optimum management of groundwater contamination, Journal of Environmental Modeling & Software, 24: 303-310. [DOI:10.1016/j.envsoft.2008.08.005]
9. Farajzadeh, J., A. FakheriFard and S. Lotfi. 2014. Modeling of monthly rainfall and runoff of Uremia lake basin using feed-forward neural network and time series analysis model. Journal of Water Resources and Industry, 7(8): 38-48. [DOI:10.1016/j.wri.2014.10.003]
10. Harmancioglu, N.B. and N. Alpaslan. 1992. Water quality monitoring network design: A problem of multi-objective decision making. Journal of Water Resource. Bull, 28(1): 179-192. [DOI:10.1111/j.1752-1688.1992.tb03163.x]
11. Harmancioglu, N.B. 1984. Entropy concept as used in determination of optimum sampling intervals. Proc. of Hydrosoft 84, International Conference on Hydraulic Engineering Software, September 10-14, 1984. Protozoa, Yugoslavia, pp: 6-99 and 6-110.
12. Jha, R. and V.P. Singh. 2008. Evaluation of river water quality by entropy. Journal of KSCE Civil Engineer, 12(1): 61-69. [DOI:10.1007/s12205-008-8061-3]
13. Karamouz, M., A.K. Nokhandan, R. Kerachian and C. Maksimovic. 2009. Design of on-line river water quality monitoring systems using the entropy theory: a case study. Journal of Environmental modeling and Assessment, 155(1-4): 63-81. [DOI:10.1007/s10661-008-0418-z]
14. Karimi Hoeesini, A. 2009. Compare the methods of locating the rain-gauge stations in the GIS environment. Master's thesis, Faculty of Agriculture, Department of Irrigation and Reclamation, agricultural meteorology, Tehran University, Supervisor: Abdul Horfar, great hope Haddad (In Persian).
15. Misra, D., T. Oommen. A. Agarwal and S.K. Mishra. 2009. Application and analysis of Support Vector machine based simulation for runoff and sediment yield, Journal of Bio Systems Engineering, 103: 527-535. [DOI:10.1016/j.biosystemseng.2009.04.017]
16. Mishra, A.K. and P. Coulibaly. 2010. Hydrometric network evaluation for Canadian watersheds. Journal of Hydrology, 380: 420-437. [DOI:10.1016/j.jhydrol.2009.11.015]
17. Masoumi, F. and R. Kerachiyan. 2008. Underground water quality assessment and performance monitoring systems with discrete entropy, The second national conference, Esfahan (In Persian).
18. Montesarchio, V. and F. Napolitano. 2010. A single-site rainfall disaggregation model based on entropy. International Workshop Advances in Statistical Hydrology. May 23-25, Taormina, Italy.
19. Remesan, R., A. Ahmadi, M.A. Shamim and D. Han. 2010. Effect of data time interval on real-time flood forecasting, Journal of hydrology, informatics, 12(4): 396-407. [DOI:10.2166/hydro.2010.063]
20. Shannon, E.A. 1948. Mathematical Theory of Communication. Bell System Technical Journal 27: 379-423. [DOI:10.1002/j.1538-7305.1948.tb01338.x]
21. Singh, V.P. and K. Singh. 1985. Derivation of the Pearson type (PT)-III distribution by using the principle of maximum entropy (POME), Journal of Hydrology, 80: 197-214. [DOI:10.1016/0022-1694(85)90117-9]
22. Singh, V.P. and D.A. Woolhiser. 2002. Mathematical modeling of watershed hydrology. Journal of Hydrologic engineering, 7(4): 270-292. [DOI:10.1061/(ASCE)1084-0699(2002)7:4(270)]
23. Sonuga, J.O. 1972. Principle of maximum entropy in hydrology frequency analysis. J. Hydrol, 17: 177-191. [DOI:10.1016/0022-1694(72)90003-0]
24. Yue, L.P., Q. Hui and W. Jian-Hu. 2010. Groundwater quality assessment based on improved water quality index in Pengyang Country, Ningxia, northwest China, Journal of Chem, 7(S1): 209-216. [DOI:10.1155/2010/451304]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
