- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 284 |
| تعداد نشریات سازمان | 83 |
| تعداد شماره‌ها | 2,537 |
| تعداد مقالات | 29,213 |
| تعداد مشاهده مقاله | 17,950,597 |
| تعداد دریافت فایل اصل مقاله | 13,569,311 |
پیش‌بینی دبی رودخانه فریزی با بهره‌گیری از محاسبات نرم | ||
| پژوهش های آبخیزداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 28 اسفند 1401 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2023.360554.1504 | ||
| نویسندگان | ||
| صابر جمالی1؛ فرشته رحیمی آغ چشمه2؛ محمد جواد امیری* 3 | ||
| 1گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران. | ||
| 2گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و محیط‌زیست، دانشگاه فردوسی مشهد، مشهد، ایران. | ||
| 3گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فسا، فسا، ایران. | ||
| چکیده | ||
| پیش‌بینی دقیق جریان رودخانه به‌عنوان یک منبع مهم آب شیرین بر روی زمین، در مهندسی و مدیریت منابع آب ضروری است؛ ازاین‌رو، توسعه فن‌آوری که قادر به پیش‌بینی دبی رودخانه باشد، ضروری است. در این زمینه مدل‌های مختلفی توسط محققین متعددی ارائه شده است. این مدل ها به دو نوع تقسیم می شوند: (1) مدل‌های فیزیکی مبتنی بر اصول هیدرولوژیکی/ هیدرولیکی و (2) مدل‌های مبتنی بر محاسبات نرم. تمام مقالات چاپ شده شواهدی از اهمیت کاربرد مدل‌های مبتنی بر محاسبات نرم برای مشکلات هیدرولوژیکی، به ویژه دبی رودخانه هستند. در این مطالعه جهت پیش‌بینی دبی رودخانه فریزی از مدل برنامه‌ریزی بیان ژن (GEP) و ماشین بردار پشتیبان (SVM) استفاده شد. در این تحقیق، از سری روزانه دبی در ده سال (1399-1390) مربوط به ایستگاه هیدرومتری موشنگ استفاده شد. منطقه مورد مطالعه دارای ارتفاع متوسط 2171 متر از سطح دریا با طول جغرافیایی "30 '49 °58 تا "30 '4 °58 شرقی و عرض جغرافیایی "1 '20 °36 تا "1 '32 °36 می‌باشد. از داده‌های دبی روزانه رودخانه از 1 تا 5 روز قبل به‌عنوان ورودی مدل‌های GEP و SVM استفاده شد. به‌منظور اطمینان از همگنی و تکمیل نواقص داده‌های دبی مورداستفاده از آزمون ران تست و ضریب همبستگی بـین ایسـتگاه‌های هم‌جوار اسـتفاده گردید. سپس داده‌ها به‌صورت تصادفی به دو قسمت، 80 درصد برای آموزش و 20 درصـد بـرای آزمون و تعیین خطای مدل‌سازی تفکیک گردیـد. در مراحل آموزش و اعتبارسنجی بر اساس ریشه میانگین مربعات خطا (RSME)، ضریب همبستگی (R)، اریبی مدل، کارایی مدل کلینگ گوپتا (KGE) و نش-ساتکلیف (NSE) عملکرد مدل بررسی شد. به منظور تخمین جریان ورودی به رودخانه فریزی توسط مدل SVM، سه نوع تابع کرنل رایج در هیدرولوژی شامل توابع پایه خطی، چند جمله ای و شعاعی مورد بررسی قرار گرفت. در نهایت، تابع مبنای شعاعی به دلیل داشتن کمترین میزان خطا برای متغیرها انتخاب گردید. عملکرد مدل اعمال شده نشان داد که SVM (RSME = 1.15، R = 0.985، NSE = 0.85 و KGE = 0.79) در مرحله اعتبارسنجی برای پیش‌بینی دبی روزانه رودخانه از مدل GEP (RSME = 1.65، R = 0.964، NSE = 0.78 و KGE = 0.69) دقیق‌تر است. این مطالعه نشان داد که تکنیک محاسبات نرم (مانند SVM و GEP) ابزاری قوی برای پیش‌بینی دبی رودخانه است. | ||
| کلیدواژه‌ها | ||
| بیان ژن؛ حوزه آبخیز فریزی؛ رواناب؛ روش SVM؛ محاسبات نرم؛ هوش مصنوعی | ||
| عنوان مقاله [English] | ||
| Prediction of Ferizi river-flow Using Data-Driven Models | ||
| نویسندگان [English] | ||
| Saber Jamali1؛ Fereshte Rahimi Aghcheshme2؛ Mohammad Javad Amiri3 | ||
| 1Department of Water Science and Engineering, Faculty of Agriculture, Ferdowsi University of Mashhad, Mashhad, Iran. | ||
| 2Department of Range and Watershed management, Faculty of Natural Resource and Environment, Ferdowsi University of Mashhad, Mashhad, Iran. | ||
| 3Department of Water Science and Engineering, Faculty of Agriculture, Fasa University, Fasa, Iran. | ||
| چکیده [English] | ||
| The river is an important resource of fresh water on the earth, and accurate forecasting of river flows is imperative in water resource management. In this context, different models have been proposed by several researchers. These models are divided into two types: (1) hydrological/hydraulic physically based models and (2) data-driven models. All cited papers are evidence of the importance of the data-driven model's application to hydrological problems, specifically river discharge. Therefore, it is essential to develop some technology that can predict river discharge. So, in this study, a gene expression programming model (GEP) and support vector machine (SVM) were used to predict the Ferizi river discharge. The data series used in this study is ten year (2011-2020) daily Ferizi river discharge series belonging to the Moushang hydrometry station. The study area has an average altitude of 2171 meters above sea level with a longitude of 58° 49' 30" to 59° 4' 30" E and a latitude of 36° 20' 1" to 36° 32' 1". Daily river discharge data from 1 to 5 days ahead have been used as inputs for prediction by GEP and SVM models. In order to ensure the homogeneity and complete the deficiencies of the used discharge data, the run test and the correlation coefficient between the neighboring stations were used. Then the data was randomly divided into two groups: 80% for training the models and 20% for testing the model as well as determining the modeling error. The performance of the model was evaluated for training and validation stages based on root mean square error (RSME), coefficient of correlation (R), bias, Kling Gupta (KGE), and Nash–Sutcliffe model efficiency (NSE). In order to estimate the inflow to the Ferizi river by the SVM model, we examine three common types of kernel functions in hydrology consisting of linear kernel, polynomial and radial basis functions. Finally, the radial basis function was selected because it has the lowest amount of error for the variables. The performance of the applied models indicated that SVM (RSME = 1.15, R = 0.985, NSE = 0.85, and KGE = 0.79) is more precise in the validation stage for river discharge prediction than GEP (RSME = 1.65, R = 0.964, NSE = 0.78, and KGE = 0.69). This study showed that the soft computing technique (such as SVM and GEP) is a robust tool for river discharge prediction. | ||
| کلیدواژه‌ها [English] | ||
| Gene expression, Ferizi watershed, Runoff, SVM method, Soft computing, artificial intelligence | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 36 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب