دفاعیه کارشناسی ارشد (سازه های هیدرولیکی) استفاده از محاسبات نرم و روش‌های تصادفی سنتی برای پیش‌بینی خشکسالی با استفاده از شاخص بارش استاندارد (SPI)
دانشجو: آقای امین میربلوکی
استاد راهنما: دکتر مجتبی مهرآیین
زمان: دوشنبه ۲۴ بهمن ماه ۱۴۰۱ ساعت: ۱۲:۳۰
مکان: کرج دانشکده فنی و مهندسی کلاس ۲۲۹
استاد راهنما: دکتر مجتبی مهرآیین
زمان: دوشنبه ۲۴ بهمن ماه ۱۴۰۱ ساعت: ۱۲:۳۰
مکان: کرج دانشکده فنی و مهندسی کلاس ۲۲۹
چکیده
مدل‌سازی و ارزیابی دقیق خشکسالی برای مدیریت پایدار و پایش منابع آب اهمیت زیادی دارد. در این مقاله سعی شده است، قابلیت دو رویکرد پیشرفته ترکیبی مبتنی بر هوش مصنوعی شامل، سیستم فازی عصبی تطبیقی (ANFIS) با بهینه‌سازی گرگ خاکستری (GWO) و رگرسیون بردار پشتیبان (SVR) همراه با الگوریتمGWO در مدل‌سازی خشکسالی هواشناسی بر اساس شاخص بارش استاندارد شده (SPI) در پنجره های زمانی مختلف بررسی شده است. پنجره های زمانی شامل SPI-۳، SPI-۶، SPI-۹ و SPI-۱۲. در نظر گرقته شده است و نتایج با رویکرد های ANFIS، SVR، میانگین متحرک یکپارچه اتورگرسیو (ARIMA) و ARIMA فصلی (SARIMA) مقایسه می‌شوند. داده‌های سه ایستگاه شامل Canakkale، Istanbul و Tekirdag واقع در ترکیه برای بررسی عملکرد مدل‌ها استفاده می‌شود. در این مقاله همچنین توابع توزیع مختلف شامل Gen. Gamma (۴p) ، جانسون (SB)، Nakagami، Kumaraswamy، log logistic و Pearson (۵)) در محاسبه مقادیر معادله SPI امتحان شده‌اند. نتایج نشان داد که اگرچه بسیاری از محققان از توزیع گاما برای محاسبات SPI استفاده کردند، با این حال بهترین توابع توزیع با توجه به ایستگاه‌ها و پنجره‌های زمانی SPI متفاوت هستند. برای ایستگاه‌های Canakkale، Istanbul و Tekirdag ضریب همبستگی ANFIS-GWO و ARIMA به ترتیب در محدوده ۰/۹۴-۰/۸۸ ،۸۸-۰/۰۹۶ و ۰/۹۴-۰/۸۶ حاصل شده است. همچنین شاخص عملکرد (performance index) نشان داد که ANFIS-GWO در مدل‌سازی خشکسالی با حداقل مقدار (PI=۰.۷۸) برای SPI-۱۲ ایستگاه Cannakkale از دقت بالاتری برخوردار است. اعتبار سنجی متقاطع زنجیره ای رو به جلو، مقدار (P-value) P و آزمون مجذور کای (Chi-squared test) نیز این گفته را تایید می کند که ANFIS-GWO مدل برتری است که در آن تفاوت معنی داری بین روند دسته های پیش بینی شده و دسته های واقعی برای همه ایستگاه ها و SPI ها وجود ندارد.
مدل‌سازی و ارزیابی دقیق خشکسالی برای مدیریت پایدار و پایش منابع آب اهمیت زیادی دارد. در این مقاله سعی شده است، قابلیت دو رویکرد پیشرفته ترکیبی مبتنی بر هوش مصنوعی شامل، سیستم فازی عصبی تطبیقی (ANFIS) با بهینه‌سازی گرگ خاکستری (GWO) و رگرسیون بردار پشتیبان (SVR) همراه با الگوریتمGWO در مدل‌سازی خشکسالی هواشناسی بر اساس شاخص بارش استاندارد شده (SPI) در پنجره های زمانی مختلف بررسی شده است. پنجره های زمانی شامل SPI-۳، SPI-۶، SPI-۹ و SPI-۱۲. در نظر گرقته شده است و نتایج با رویکرد های ANFIS، SVR، میانگین متحرک یکپارچه اتورگرسیو (ARIMA) و ARIMA فصلی (SARIMA) مقایسه می‌شوند. داده‌های سه ایستگاه شامل Canakkale، Istanbul و Tekirdag واقع در ترکیه برای بررسی عملکرد مدل‌ها استفاده می‌شود. در این مقاله همچنین توابع توزیع مختلف شامل Gen. Gamma (۴p) ، جانسون (SB)، Nakagami، Kumaraswamy، log logistic و Pearson (۵)) در محاسبه مقادیر معادله SPI امتحان شده‌اند. نتایج نشان داد که اگرچه بسیاری از محققان از توزیع گاما برای محاسبات SPI استفاده کردند، با این حال بهترین توابع توزیع با توجه به ایستگاه‌ها و پنجره‌های زمانی SPI متفاوت هستند. برای ایستگاه‌های Canakkale، Istanbul و Tekirdag ضریب همبستگی ANFIS-GWO و ARIMA به ترتیب در محدوده ۰/۹۴-۰/۸۸ ،۸۸-۰/۰۹۶ و ۰/۹۴-۰/۸۶ حاصل شده است. همچنین شاخص عملکرد (performance index) نشان داد که ANFIS-GWO در مدل‌سازی خشکسالی با حداقل مقدار (PI=۰.۷۸) برای SPI-۱۲ ایستگاه Cannakkale از دقت بالاتری برخوردار است. اعتبار سنجی متقاطع زنجیره ای رو به جلو، مقدار (P-value) P و آزمون مجذور کای (Chi-squared test) نیز این گفته را تایید می کند که ANFIS-GWO مدل برتری است که در آن تفاوت معنی داری بین روند دسته های پیش بینی شده و دسته های واقعی برای همه ایستگاه ها و SPI ها وجود ندارد.
دفعات مشاهده: 27 بار |
دفعات چاپ: 2 بار |
دفعات ارسال به دیگران: 0 بار |
0 نظر