دوره 8، شماره 16 - ( پاییز و زمستان 1396 )                   جلد 8 شماره 16 صفحات 22-33 | برگشت به فهرست نسخه ها

XML English Abstract Print


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

Isazadeh M, Ahmadzadeh H, Ghorbani M A. Assessment of Normalization of Monthly Runoff Probabilistic Distribution impact on SVM and ANN Models Performance in Monthly River Flows Simulation (A Case Study: ZarrinehRud River Basin). jwmr. 2018; 8 (16) :22-33
URL: http://jwmr.sanru.ac.ir/article-1-927-fa.html
عیسی زاده محمد، احمدزاده حجت، قربانی محمد علی. ارزیابی تأثیر نرمال سازی توزیع احتمالاتی رواناب ماهانه بر عملکرد مدل های SVM و ANN در شبیه سازی جریان ماهانه رودخانه ها (مطالعه موردی: حوزه زرینه رود) . پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1396; 8 (16) :22-33

URL: http://jwmr.sanru.ac.ir/article-1-927-fa.html


چکیده:   (584 مشاهده)
تخمین دقیق مقدار رواناب رودخانه­ها از اقدامات اساسی در مدیریت منابع آب حوزه­ها می­باشد. شبکه عصبی مصنوعیANN)) و ماشین بردار پشتیبان (SVM) از مهم­ترین مدل­های داده­کاوی هستند که می‏توانند برای این منظور مدنظر قرار گیرند. با توجه به مبتنی بودن این مدل­ها به داده­ها ، نوع توزیع احتمالاتی داده­ها می­تواند تأثیر چشمگیری بر عملکرد آن­ها در شبیه­سازی جریان داشته باشد. برای بررسی این موضوع حوزه زرینه­رود به­عنوان منطقه مورد مطالعه انتخاب شده و ارزیابی­های مورد نظر در سه ایستگاه آب­سنجی واقع در آن صورت گرفت. در این راستا در ابتدا با استفاده از آزمون شاپیرو-ویلک تبعیت نمودن توزیع احتمالاتی داده­های مشاهداتی اولیه از نرمال مورد بررسی قرار گرفته و سپس نرمال‏سازی توزیع داده­ها انجام شد. در ادامه کارایی هر یک از مدل­های ANN و SVM در شبیه­سازی رواناب ماهانه سه ایستگاه آب­
سنجی برای داده­های مشاهداتی و نرمال شده جریان مورد ارزیابی قرار گرفت. براساس نتایج این تحقیق مقادیر شاخص­های ضریب همبستگی(
CC) و جذر میانگین مربعات خطا (RMSE) در دوره صحت­سنجی برای ایستگاه­های صفاخانه، سنته و پل آنیان در مدل ANN به ترتیب 71/0، (m3/sec) 93/5، 80/0، (m3/sec) 58/6 و 82/0، (m3/sec) 90/22 بدست آمد. در مدل SVM
برای این شاخص­ها در ایستگاه­
های مذکور به ترتیب مقادیر 70/0، (
m3/sec)34/6، 78/0، (m3/sec)02/7 و 79/0، (m3/sec)31/24 حاصل شد. نتایج نشان داد که در مدل ANN استفاده از جریان نرمال شده در ایستگاه­های پل آنیان، سنته و صفاخانه مقادیر CC را در دوره صحت­سنجی به ترتیب 6، 14 و 11 درصد افزایش و مقادیر RMSE را به ترتیب 9، 19 و 6 درصد کاهش می­دهد. در مدل SVM پس از نرمال­سازی داده­ها مقادیر CC و RMSE فقط برای ایستگاه سنته به میزان 10 و 16 درصد به ترتیب افزایش و کاهش می­یابد. همچنین نتایج نشان داد که مدل ANN با ورودی­های نرمال شده در هر سه ایستگاه آب­سنجی عملکرد بهتری نسبت به مدل SVM  دارد.
متن کامل [PDF 1574 kb]   (175 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: ۱۳۹۶/۱۲/۵ | پذیرش: ۱۳۹۶/۱۲/۵ | انتشار: ۱۳۹۶/۱۲/۵

فهرست منابع
1. Adamowski, J. 2013. Using support vector regression to predict direct runoff, base flow and total flow in a mountainous watershed whit limited data in Uttaranchal, India. Annals of Warsaw University of Life Sciences-SGGW. Land Reclamation, 45(1): 71-83.
2. Alvisi, S., G. Mascellani, M. Franchini and A. Bardossy. 2006. Water level forecasting through fuzzy logic and artificial neural network approaches. Hydrology and Earth System Sciences Discussions, 10(1): 1-17. [DOI:10.5194/hess-10-1-2006]
3. ASCE Task Committee on Application of Artificial Neural Networks in Hydrology. 2000. Artificial neural networks in hydrology, I: preliminary concepts. Journal of Hydrologic Engineering, 5(2): 115-123. [DOI:10.1061/(ASCE)1084-0699(2000)5:2(115)]
4. Cortes. C. and V. Vapnik. 1995. Support vector networks. Machine Learning, 20: 273-297. [DOI:10.1007/BF00994018]
5. Coulibaly, P., F. Anctil and B. Bobée. 2000. Daily reservoir inflow forecasting using artificial neural networks with stopped training approach. Journal of Hydrology, 230: 244-257. [DOI:10.1016/S0022-1694(00)00214-6]
6. Dibike, Y.B., S. Velikov, D. Solomatine and M.B. Abbort. 2001. Model induction with of support vector machines: introduction and applications. Journal of Computing in Civil Engineering, 15: 208-216. [DOI:10.1061/(ASCE)0887-3801(2001)15:3(208)]
7. Guo, B., S.R. Gunn, R.I. Damper and J.D. Nelson. 2008. Customizing kernel functions for svm-based hyper spectral image classification. IEEE Transactions on Image Processing, 17(4): 622-629. [DOI:10.1109/TIP.2008.918955]
8. Huang, W. and B.X. Chan-Hilton. 2004. Forecasting flows in Apalachicola River using neural networks. Hydrological Processes, 18(13): 2545-2564. [DOI:10.1002/hyp.1492]
9. Kakaei Lafadani, E., A. Moghaddam Nia, A. Ahmadi, M. Jajarmizadeh and M. Ghafari. 2013. Stream flow simulation using SVM, ANFIS and NAM models (A case study). Caspian Journal of Applied Sciences Research, 2(4): 86-93.
10. Kavzoglu, T. and I. Colkesen. 2009. A kernel functions analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation, 11(5): 352-359. [DOI:10.1016/j.jag.2009.06.002]
11. Kouchakzadeh, M. and A. Bahmani. 2006. Assessment of artificial neural networks revenue in reducing required parameters for estimation of reference evapotranspiration. Journal of Agricultural Sciences, 11(4): 87-97.
12. Lin, J.Y., C.T. Cheng and K.W. Chau. 2006. Using support vector machines for long-term discharge prediction. Hydrological Sciences Journal, 51(4): 599-612. [DOI:10.1623/hysj.51.4.599]
13. Liu, G.Q. 2011. Comparison of regression and ARIMA models with neural network models to forecast the daily streamflow of White Clay Creek. PhD Thesis, University of Delaware, Newark, USA. 517 pp.
14. Misra, D., T. Oommen, A. Agarwal, S.K. Mishra and A.M. Thompson. 2009. Application and analysis of support vector machine based simulation for runoff and sediment yield. Biosystems Engineering, 103(9): 527-535. [DOI:10.1016/j.biosystemseng.2009.04.017]
15. Nayak, P.C., K.P. Sudheer, D.M. Rangan and K.S. Ramasastri. 2004. A neuro-fuzzy computing technique for modeling hydrological time series. Journal of Hydrology, 291(1): 52-66. [DOI:10.1016/j.jhydrol.2003.12.010]
16. Nouri, R., A. Khakpour, M. Dehghani and A. Farrokhnia. 2010. Monthly river flow prediction using support vector machine based on principal components analysis. Journal of Water and Wastewater, 22(1): 118-129 (In Persian).
17. Safavi, H.R. 2009. Engineering hydrology. 4nd edn, Arkan Danesh publisher, Esfahan, Iran, 706 pp. (In Persian)
18. Samsudin, R., P. Saad and A. Shabri. 2011. River flow time series using least squares support vector machines. Hydrology and Earth System Sciences, 15(6): 1835-1852. [DOI:10.5194/hess-15-1835-2011]
19. Yang, K.H., G.L. Shan and L.L. Zhao. 2006. Correlation coefficient method for support vector machine input samples. International Conference on Machine Learning and Cybernetics, 2857-2861 pp., Dalian, China.
20. Yoon, H., S.C. Jun, Y. Hyun, G.O. Bae and K.K. Lee. 2011. A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer. Journal of Hydrology, 396(1–2): 128-138. [DOI:10.1016/j.jhydrol.2010.11.002]
21. Zealand, C.M., D.H. Burn and S.p. Simonovic. 1999. Short term stream flow forecasting using artificial neural networks. Journal of Hydrology, 214(1–4): 32-48. [DOI:10.1016/S0022-1694(98)00242-X]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA code

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

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2018 All Rights Reserved | Journal of Watershed Management Research

Designed & Developed by : Yektaweb