| تعداد نشریات | 284 |
| تعداد نشریات سازمان | 82 |
| تعداد شماره‌ها | 3,037 |
| تعداد مقالات | 33,984 |
| تعداد مشاهده مقاله | 45,772,708 |
| تعداد دریافت فایل اصل مقاله | 77,191,220 |
پیش‌بینی دبی ماهانه ورودی به سد بوستان در استان گلستان با استفاده از مدل‌های داده‌کاوی و ترکیبی | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 18، دوره 11، شماره 4، دی 1398، صفحه 1044-1058 اصل مقاله (1.1 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2018.108926.1251 | ||
| نویسندگان | ||
| میثم صمدی* 1؛ عبدالرضا بهره‌مند2؛ ابوالحسن فتح‌آبادی3 | ||
| 1دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
| 2دانشیار، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
| 3استادیار، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس | ||
| چکیده | ||
| در هر برنامه مدیریتی برای منابع آب، آگاهی از شرایط آینده به‌منظور تخصیص بهینه منابع آب به بخش‌های مختلف از قبیل شرب، کشاورزی و غیره لازم می‌باشد. آنچه در این میان مهم می‌باشد، پیش‌بینی مقادیر جریان ورودی به سیستم منابع آب در ماه‌های آینده است. در این راستا، استفاده از روش‌هایی که بتواند با کمینه خطا و با توجه به داده و اطلاعات موجود، جریان رودخانه را پیش‌بینی کند، از اهمیت فراوانی برخوردار می‌باشد. در پژوهش حاضر، مقادیر دبی ماهانه ورودی به سد بوستان برای آینده با استفاده از داده‌های هیدرومتری ایستگاه تمر و به‌کارگیری سه مدل سری زمانی، شبکه عصبی مصنوعی و ماشین بردار پشتیبان و همچنین، سه مدل ترکیبی پیش‌بینی شد. سپس، با استفاده از معیارهای ارزیابی اقدام به مقایسه عملکرد هر کدام از مدل‌ها شد. با توجه به نتایج به‌دست آمده در مدل، سری زمانی بر اساس کمینه بودن معیارهای آکاییک و شوارتز، مدل (1,0,1) ARIMA (2,0,0) به‌عنوان مدل برتر انتخاب شد. در مدل شبکه عصبی، شبکه با ورودی 2 و 4 نرون و در مدل SVM شبکه با ورودی 3، به‌عنوان شبکه برتر انتخاب شدند. در نهایت، با توجه به نتایج به‌دست آمده از معیارهای ارزیابی، مدل سری زمانی بهترین عملکرد را داشته است که مقادیر معیارهای میانگین مربعات خطا، متوسط مقادیر مطلق خطای نسبی، میانگین مطلق خطا و نش-ساتکلیف برای این مدل به‌ترتیب برابر با 0.88، 4.71، 0.024- و 0.36 به‌دست آمد. در نتیجه، مدل سری زمانی به‌عنوان بهترین مدل برای پیش‌بینی دبی ماهانه در این ایستگاه معرفی شد. | ||
| کلیدواژه‌ها | ||
| ایستگاه تمر؛ مدل سری زمانی؛ مدل شبکه عصبی مصنوعی؛ مدل ماشین بردار پشتیبان؛ منابع آب | ||
| عنوان مقاله [English] | ||
| The Boustan Dam monthly inflow forecasting using data-driven and ensemble models in the Golestan Province | ||
| نویسندگان [English] | ||
| Meisam Samadi1؛ Abdolreza Bahremand2؛ Abolhasan Fathabadi3 | ||
| 1PhD student of Watershed Management Science and Engineering, Gorgan University of Agricultural science and Natural Resources, Iran | ||
| 2Associate Professor, Gorgan University of Agricultural science and Natural Resources, Iran | ||
| 3Assistant Professor, Gonbad Kavus University, Iran | ||
| چکیده [English] | ||
| In any water resource management plan, there is a pivotal need to undertake the future conditions to allocate the water resources to different sectors (e.g. drinking-water supply, agriculture sector, etc.) more efficiently. Meanwhile, it is important to forecast water resources inflow for future months. To this aim, it is of prime interest to adopt models that are capable of coping with data scarcity problem and able to forecast the stream flow with the least possible error. The current study was aimed at forecasting the monthly inflow of the Boustan Dam by employing three models namely: time series method, Artificial Neural Network (ANN), Support Vector Machine (SVM), and their ensembles. The hydrometric data was obtained from the Tamar Station. Afterward, the models were compared by using several evaluation criteria. According to the Akaike and Schwarz criteria, the ARIMA (2, 0, 0) (1, 0, 1) was found to be the best time series model with a parsimonious behavior. Moreover, the ANN model with two and four input neurons and the SVM model with three input neurons were the best performing models compared to their other counterparts with different input numbers. Considering the evaluation criteria altogether, the time series method was the best performing model with the RMSE, AARE, MBE, and CE values of 0.88, 4.71, -0.024, and 0.36, respectively. Therefore, the time series method was introduced as the premier model for monthly inflow forecasting in the studied stations. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Network model, Support vector machine model, Tamar Station, Time series model, Water resources | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 458 تعداد دریافت فایل اصل مقاله: 456 |
||