ارزیابی عملکرد روش های شبیه سازی-بهینه سازی ANN-WOA و ANN-BWO در پیش بینی رواناب روزانه (مطالعه موردی: ایستگاه جلوگیر در حوضه آبریز کرخه)
مدل سازی بارش-رواناب روزانه به دلیل تعدد عوامل مؤثر آن، یکی از پیچیدگی‌های علم هیدرولوژی است. ترکیب‌های مختلفی از عوامل بارش-رواناب، طی دوره آماری 10 ساله (1390-1400) به‍عنوان ورودی برای تخمین رواناب در مقیاس زمانی روزانه مورد ارزیابی قرار گرفت. از 80 درصد داده‌ها به عنوان آموزش (2920 نمونه) و 20 د...
Saved in:
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Shahid Chamran University of Ahvaz
2024-10-01
|
| Series: | علوم و مهندسی آبیاری |
| Subjects: | |
| Online Access: | https://jise.scu.ac.ir/article_18457_69f08a0dbf5d77b3a0e0e5850b333f1a.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | مدل سازی بارش-رواناب روزانه به دلیل تعدد عوامل مؤثر آن، یکی از پیچیدگی‌های علم هیدرولوژی است. ترکیب‌های مختلفی از عوامل بارش-رواناب، طی دوره آماری 10 ساله (1390-1400) به‍عنوان ورودی برای تخمین رواناب در مقیاس زمانی روزانه مورد ارزیابی قرار گرفت. از 80 درصد داده‌ها به عنوان آموزش (2920 نمونه) و 20 درصد داده‌ها به عنوان آزمون (730 نمونه) استفاده گردید. عوامل ورودی شامل بارش (P) و دبی (Q) که برای بارش تا شش تأخیر و برای دبی تا چهار تأخیر استفاده گردید. از ضریب همبستگی پیرسون برای ارتباط بین متغیرهای ورودی و خروجی استفاده گردید. بر این اساس ترکیب مدل شماره یک شامل صرفا بارش و دبی، دارای بیشترین همبستگی (805/0) و ترکیب سیزدهم (بارش و بارش از یک تا شش روز تأخیر و دبی از یک تا چهار روز تأخیر ) دارای کمترین همبستگی (109/0) بوده است. به منظور مدل‍سازی از مدل‌های شبکه عصبی مصنوعی- الگوریتم بهینه سازی نهنگ (ANN-WOA)، شبکه عصبی مصنوعی-الگوریتم بهینه سازی عنکبوت سیاه (ANN-BWO) و مدل شبکه عصبی-موجک کلاه مکزیکی (WANN) استفاده گردید. همچنین برای ارزیابی مدل از شاخص‌های ریشه میانگین مربعات خطا (RMSE)، میانگین قدرمطلق خطا (MAE)، ضریب بهره وری نش- ساتکلیف (NSE) و ضریب نا اریبی (PBIAS) استفاده گردید. یافته‌های پژوهش نشان می‌دهد که کلیه مدل‌های فوق عملکرد بسیار خوبی در پیش بینی فرایند بارش-رواناب از خود نشان دادند. در این بین مدل ANN-BWO دارای بهترین عملکرد در پیش بینی بوده است. همچنین مدل‌های ANN-WOAو WANN و ANN-BWOبه ترتیب 4/32 و 6/27 و 14/22 درصد دقت مدل منفرد شبکه عصبی را بهبود بخشیدند. |
|---|---|
| ISSN: | 2588-5952 2588-5960 |