دوره 8، شماره 16 - ( پاییز و زمستان 1396 )                   جلد 8 شماره 16 صفحات 11-21 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Zarei M M, Dastorani M T, Mesdaghi M, Eshghizadeh M. Evaluation of the Efficiency of Different Artificial Intelligence and Statistical Methods in Estimating the Amount of Runoff (Case Study: Shahid Noori Watershed of Kakhk, Gonabad) . jwmr. 2018; 8 (16) :11-21
URL: http://jwmr.sanru.ac.ir/article-1-900-fa.html
زرعی محمدمهدی، دستورانی محمدتقی، مصداقی منصور، عشقی زاده مسعود. بررسی کارایی روش‌های مختلف هوش مصنوعی و روش آماری در برآورد میزان رواناب (مطالعه موردی: حوزه شهید نوری کاخک گناباد). پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1396; 8 (16) :11-21

URL: http://jwmr.sanru.ac.ir/article-1-900-fa.html


استاد
چکیده:   (326 مشاهده)
سال‌هاست که از مدل‌های بارش-رواناب در زمینه هیدرولوژی و برآورد رواناب استفاده می‌شود. اما علی‌رغم وجود مدل‌های فراوان، ظهور مرتب مدل‌های جدید نشان‌دهنده آن است که هنوز مدلی که بتواند بدون هیچ‌گونه نقص و ایرادی، کارایی و دقت بالا را در برآوردها ارائه کند ایجاد نشده است. بدین منظور جهت دستیابی به بهترین نتایج ؛ تعیین کارایی و شناسایی بهترین مدل‌ها، پس از انجام مدل‌سازی‌ها، ضرورت می‌یابد. در این راستا، در پژوهش حاضر، ابتدا اقدام به مدل‌سازی و برآورد میزان رواناب با استفاده از روش‌های مختلف هوش مصنوعی و نیز روش‌های آماری رگرسیون چندگانه شد. سپس جهت بررسی کارایی روش‌های اجراشده و نهایتاً انتخاب بهترین مدل، از معیارهای کارایی و ارزیابی شامل؛ ضریب همبستگی (R)، ضریب نش-ساتکلیف(NSE) ، ریشه میانگین مربعات خطا (RMSE)و میانگین قدر مطلق خطا (MAE) استفاده گردید. اطلاعات مورداستفاده در این تحقیق، از داده­های 9 واقعه بارندگی در بازه زمانی 2015-2011 حوزه کاخک گناباد تهیه شد. مدل‌های هوش مصنوعی موردبررسی در این مطالعه نیز عبارت بودند از: شبکه عصبی مصنوعی پس انتشار پیش‌خور نرمال، پیش‌خور Cascade، پس‌خور خودبازگشتی Elman، شبکه فازی-عصبی (ANFIS) و مدل درخت تصمیم رگرسیونی (Regression Tree) که در محیط نرم‌افزار متلب اجرا شدند. همچنین از روش رگرسیون چندگانه گام‌به‌گام به‌عنوان روش آماری، در محیط نرم‌افزار مینی­تب استفاده گردید. نتایج حاصل از این پژوهش نشان داد؛ انواع روش‌های آماری و هوش مصنوعی در نظر گرفته‌شده به‌طور نسبتاً مشابهی دارای کارایی قابل‌قبول بوده و با دقت مناسب و خطای نسبتاً کم، قادر به برآورد میزان رواناب هستند. در این ‌بین، مدل‌های عصبی پیش‌خور نرمال و پیش‌خور Cascade با تعداد 5 پارامتر ورودی میزان کارایی بهتری را نسبت به سایر مدل‌ها نشان دادند. چنانکه معیارهای کارایی R ،NSE ، RMSE و MAE در این مدل‌ها، به ترتیب مقادیر مشابه؛ 88/0، 76/0، 2 و 5/1 بدست آمد. درمجموع یافته‌ها حاکی از برآورد بهتر مدل‌های هوش مصنوعی نسبت به روش آماری رگرسیونی است.
متن کامل [PDF 557 kb]   (120 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: ۱۳۹۶/۱۱/۹ | پذیرش: ۱۳۹۶/۱۱/۹ | انتشار: ۱۳۹۶/۱۱/۹

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
کد امنیتی را در کادر بنویسید

کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2015 All Rights Reserved | Journal of Watershed Management Research

Designed & Developed by : Yektaweb