پاییز و زمستان
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
1- گروه جغرافیای طبیعی، دانشکده جغرافیا و برنامه ریزی محیطی، دانشگاه سیستان و بلوچستان، ایران.
2- گروه جغرافیای طبیعی، دانشکده جغرافیا و برنامه ریزی محیطی، دانشگاه سیستان و بلوچستان، ایران
3- سازمان هواشناسی کشور.
2- گروه جغرافیای طبیعی، دانشکده جغرافیا و برنامه ریزی محیطی، دانشگاه سیستان و بلوچستان، ایران
3- سازمان هواشناسی کشور.
چکیده: (37 مشاهده)
چکیده مبسوط
مقدمه و هدف: سری‌های زمانی کامل هیدرولوژیکی برای مدیریت و مدل‌سازی منابع آب و انرژی در یک اقلیم در حال تغییر حیاتی هستند. شکاف های داده باعث مشکلاتی در تفسیر، کالیبراسیون ناکارآمد مدل و آماره های اریب دار می شوند. در این بررسی، اعتبار یک الگوریتم ماشین یادگیری تصادفی غیرپارامتری که جنگل گمشده (MissForest) نام دارد برای پرکردن شکاف سری های زمانی جریان روزانه در منطقه ای با داده کمیاب و تغییرپذیری اقلیمی قوی، ارزیابی گردیده است.
مواد و روش‌ها: داده های جریان روزانه در ایستگاه های جریان سنجی حوضه آبریز بلوچستان جنوبی در یک دوره طولانی مدت هیدرولوژیکی (23/09/1972 تا 22/09/2018) مورد بررسی قرار گرفته است. درصد گمشدگی به اساس یک معیار قراردادی (کمتر از 50 درصد) به عنوان نسبت قابل قبول از نرخ گمشدگی در داده های جریان انتخاب و سپس مکانیسم ها و الگوهای گمشدگی داده ها تعیین گردیده است. عملکرد الگوریتم بازسازی داده های گمشده با دو سناریوی متفاوت داده گمشده مصنوعی به چالش کشیده شده است. سپس اعتبارسنجی الگوریتم در پُرکردن داده های گمشده جریان روزانه با مقایسه سری های پُرشده با داده های مشاهده شده، از طریق آزمون های سه گانه نیکویی برازش (GoF) تست شده است.
یافته‌ها: نتایج نشان داد که به طور کلی الگوریتم جنگل گمشده عملکرد رضایت بخش و خوبی داشته و امکان شبیه سازی دقیق و مطمئن داده های از دست رفته را به سرعت و به صورت خودکار فراهم می آورد. عملکرد الگوریتم جنگل گمشده به شدت تابعی از تعداد رکوردهای پیشبینی کننده، طول رکورد و نوع جریان رودخانه می باشد. در نهایت، بازسازی شکاف های واقعی در داده های جریان از طریق اعمال این الگوریتم هوشمند ممکن گردید. سری های زمانی جریان رودخانه ها با رژیم جریان طبیعی با عملکرد خوب شبیه سازی گردیدند؛ درحالیکه این عملکرد برای تغییرات دبی در نتیجه ذخیره سازی و انحراف آب برای آبیاری به ویژه در پایین دست سدها اندکی افت داشت. عملکرد این الگورتیم در پُرکردن سری زمانی روزانه جریان با تغییرات شدید رژیم جریان مانند دبی اوج، مطلوب ارزیابی نشد. این افت عملکرد بیشتر متوجه شرایط هیدرواقلیمی حوضه آبریز مورد مطالعه است تا ساختار الگوریتم. هیدروگراف های بازسازی شده امکان تجزیه و تحلیل تغییر و تنوع جریان و برهمکنش آنها با متغیرهای آب و هوایی کلیدی را فراهم می کنند.
نتیجه‌گیری: الگوریتم جنگل گمشده به عنوان یکی از روش های انتساب مبتنی بر یادگیری ماشین دارای اعتبار و عملکرد بالا در بازسازی داده های گمشده جریان روزانه رودخانه معرفی شده و می توان از آن به صورت خودکار و هوشمند در بازسازی نواقص آماری جریان رودخانه در مقیاس روزانه استفاده نمود.
مقدمه و هدف: سری‌های زمانی کامل هیدرولوژیکی برای مدیریت و مدل‌سازی منابع آب و انرژی در یک اقلیم در حال تغییر حیاتی هستند. شکاف های داده باعث مشکلاتی در تفسیر، کالیبراسیون ناکارآمد مدل و آماره های اریب دار می شوند. در این بررسی، اعتبار یک الگوریتم ماشین یادگیری تصادفی غیرپارامتری که جنگل گمشده (MissForest) نام دارد برای پرکردن شکاف سری های زمانی جریان روزانه در منطقه ای با داده کمیاب و تغییرپذیری اقلیمی قوی، ارزیابی گردیده است.
مواد و روش‌ها: داده های جریان روزانه در ایستگاه های جریان سنجی حوضه آبریز بلوچستان جنوبی در یک دوره طولانی مدت هیدرولوژیکی (23/09/1972 تا 22/09/2018) مورد بررسی قرار گرفته است. درصد گمشدگی به اساس یک معیار قراردادی (کمتر از 50 درصد) به عنوان نسبت قابل قبول از نرخ گمشدگی در داده های جریان انتخاب و سپس مکانیسم ها و الگوهای گمشدگی داده ها تعیین گردیده است. عملکرد الگوریتم بازسازی داده های گمشده با دو سناریوی متفاوت داده گمشده مصنوعی به چالش کشیده شده است. سپس اعتبارسنجی الگوریتم در پُرکردن داده های گمشده جریان روزانه با مقایسه سری های پُرشده با داده های مشاهده شده، از طریق آزمون های سه گانه نیکویی برازش (GoF) تست شده است.
یافته‌ها: نتایج نشان داد که به طور کلی الگوریتم جنگل گمشده عملکرد رضایت بخش و خوبی داشته و امکان شبیه سازی دقیق و مطمئن داده های از دست رفته را به سرعت و به صورت خودکار فراهم می آورد. عملکرد الگوریتم جنگل گمشده به شدت تابعی از تعداد رکوردهای پیشبینی کننده، طول رکورد و نوع جریان رودخانه می باشد. در نهایت، بازسازی شکاف های واقعی در داده های جریان از طریق اعمال این الگوریتم هوشمند ممکن گردید. سری های زمانی جریان رودخانه ها با رژیم جریان طبیعی با عملکرد خوب شبیه سازی گردیدند؛ درحالیکه این عملکرد برای تغییرات دبی در نتیجه ذخیره سازی و انحراف آب برای آبیاری به ویژه در پایین دست سدها اندکی افت داشت. عملکرد این الگورتیم در پُرکردن سری زمانی روزانه جریان با تغییرات شدید رژیم جریان مانند دبی اوج، مطلوب ارزیابی نشد. این افت عملکرد بیشتر متوجه شرایط هیدرواقلیمی حوضه آبریز مورد مطالعه است تا ساختار الگوریتم. هیدروگراف های بازسازی شده امکان تجزیه و تحلیل تغییر و تنوع جریان و برهمکنش آنها با متغیرهای آب و هوایی کلیدی را فراهم می کنند.
نتیجه‌گیری: الگوریتم جنگل گمشده به عنوان یکی از روش های انتساب مبتنی بر یادگیری ماشین دارای اعتبار و عملکرد بالا در بازسازی داده های گمشده جریان روزانه رودخانه معرفی شده و می توان از آن به صورت خودکار و هوشمند در بازسازی نواقص آماری جریان رودخانه در مقیاس روزانه استفاده نمود.
نوع مطالعه: پژوهشي |
موضوع مقاله:
ساير موضوعات وابسته به مديريت حوزه آبخيز
دریافت: 1402/8/29 | پذیرش: 1402/12/19
دریافت: 1402/8/29 | پذیرش: 1402/12/19
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
