چکیده:
توسعه یک مدل پیشبینی هیدرولوژیکی بر اساس اطلاعات ثبت شدهی گذشته، به منظور مدیریت و برنامهریزی موثر مخازن آبی، وابسته به پیشبینی و درک صحیح از سریهای زمانی تاثیر گذار در منابع آب است. در سالهای اخیر یکی از موضوعات رو به رشد در این زمینه، استفاده از روشهای هوش مصنوعی در مدلسازی، پیشبینی و بازیابی اطلاعات هیدرولوژیکی است. در این مقاله به مقایسه روشهای هوش مصنوعی در پیشبینی و بازیابی سریهای زمانی روزانهی دمای حداقل و حداکثر و بارش در ایستگاه سد تنگاب پرداخته شده است. در این مطالعه هم از خود سریها (استفاده از تاخیر در سریها) و هم از ایستگاههای مجاور، به منظور بازیابی و پیشبینی اطلاعات، استفاده شده است. روشهای MLP (پرسپترون چند لایه)، RBF (توابع شعاعی پایه)، SVM (ماشینهای بردار پشتیبان)، روش منطق فازی (FIS) و روش ANFIS (سیستم استنتاج عصبی- فازی)، مورد بررسی قرار گرفتهاند. به منظور ارزیابی و سنجش عملکرد این مدلها از میانگین توان دوم خطا (MSE)، ضریب همبستگی (R)، واریانس و انحراف معیار دادههای حاصل، و همچنین نمودارهای گرافیکی استفاده شده است. نتایج نشان دهنده عدم کارایی مدلها در پیش بینی بارش است ولی به منظور بازیابی بارش و پیشبینی دما میتوان از این روشها استفاده کرد.
Development of a prediction hydrological model based on past records depends on the proper prediction and understating of time series effective on water resources to manage and plan water reservoirs effectively. In recent years, a growing issue in this context is the application of artificial intelligence techniques in modeling, forecasting and recovery of hydrological data. This paper compares the artificial intelligence methods in predicting and recovery of time series of daily minimum and maximum temperatures and precipitation in Tangab dam station. Both series (using delay in the series) and nearby stations are used in this study to recover and predict data. Multi-layer perceptron (MLP), radial basis functions(RBF), support vector machine (SVM), fuzzy inference system (FIS) and adaptive neuro-fuzzy inference system (ANFIS) methods have been studied. In order to evaluate the performance of these models, the mean squared error (MSE), correlation coefficient (R), variance and standard deviation of obtained data, as well as graphical diagrams have been used. The results showed the inefficiency of the models in predicting precipitation, but these can be used in recovering the precipitation and predicting temperature.
خلاصه ماشینی:
در این تحقیق به بررسی توانایی ٥ روش هوش مصنوعی، شامل MLP، 7- if-then 8- Jang 9- Chang and Chang 10- ANFIS 11- Silverman and Dracup 12- Olssin 13- Cigizoglu and Freiwan 14- feed-forward 15- Lin 16- Jain and Kumar 17- Wu 18- Asefa 19- Kurtulus and Razack SVM،RBF ،FIS ، انفیس ، در پیش بینی سریهای زمانی هیدرولوژیکی بارش و دمای حداقل و حداکثر روزانه ، از دو طریق استفاده از اطلاعات خود ایستگاه با ایجاد تاخیر در سری اصلی و همچنین اطلاعات ایستگاه همسایه ، پرداخته شده است .
- شبکه های پرسپترون چندلایه (MLP) در شبکه های چندلایه ، لایه ها به ترتیب به هم متصل میشوند به گونه ای که خروجی لایه اول ، ورودی لایه دوم و به همین ترتیب تا آخر که خروجیهای لایه آخر، خروجیهای اصلی و پاسخ شبکه را تشکیل میدهند؛ به عبارت 24- Ojala 25- Novák 26- Ahlawat 27- Cortes and Vapnik 28- Press 29- Aizerman 30- Hsu دیگر، جریان سیگنال شبکه در یک مسیر پیش خور صورت میگیرد که از لایه ورودی شروع شده و به لایه خروجی ختم میگردد.
توابع گرافیکی مورد استفاده در این مطالعه ، هیستوگرام خطا، شکل رگرسیون خطی داده ها، مقادیر واقعی و مدل شده در 37- Mean-square error 38- Coefficient of correlation )R) 39- Bland and Altman 40- Welford 41- Dodge 42- Croxton 43- Dowdy and Wearden 44-Szekely کنار هم و همچنین خطای هر داده مدل شده از مقدار واقعی، هستند.
در این مطالعه زمان زیادی صرف سعی و خطا به منظور تنظیم پارامترهای روش های مورد بررسی و تعیین بهترین پاسخ 57- chaos 58- Watts 59- Ott 60- Lorenz 61- Ivancevic and Tijana 62- General Circulation Model 63- Cox 64- Holton 65- Brown 66- down scale models 67- khan شبکه شد.