مهندسی آبیاری و آب ایران، جلد ۱۲، شماره ۴، صفحات ۳۵۴-۳۷۳
عنوان فارسی مدلسازی تبخیر ماهانه با استفاده از روش‌های منفرد و هیبریدی-موجک داده‌کاوی در حوضه‌های آبریز ایران با تنوع اقلیمی
چکیده فارسی مقاله تبخیر به ‌عنوان یکی از پارامترهای طبیعی، همواره مورد توجه محققین بوده است. در این پژوهش، متغیر تبخیر ماهانه با استفاده از روش‌های شبکه عصبی مصنوعی، سامانه استنتاجی فازی-عصبی تطبیقی و برنامه‌ریزی بیان ژن و ترکیب روش‌های مذکور با تئوری موجک، در دو اقلیم متفاوت ایران مدلسازی شد. بدین منظور، داده‌های هواشناسی بارش، رطوبت نسبی، دمای میانگین، دمای بیشینه، دمای کمینه و سرعت باد، در طول دوره آماری 1397-1384 مربوط به دو حوضه آبریز دریاچه ارومیه و گاوخونی به کار گرفته شد. در این مطالعه، اثر فصلی و نویززدایی داده‌ها اعمال شد. دقت روش‌های مورد مطالعه بر اساس شاخص‌های آماری ضریب همبستگی (R)، ریشه میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) و ضریب کارایی نش-ساتکلیف (NSE) مورد بررسی قرار گرفت. نتایج حاکی از این است که در دو اقلیم مختلف روش‌های هیبرید موجک برنامه‌ریزی بیان ژن و شبکه عصبی مصنوعی منفرد به ترتیب دارای بالاترین و ضعیف‌ترین عملکرد در میان سایر مدل‌های داده کاوی به کار رفته در این تحقیق هستند. مدل هیبریدی موجک-برنامه‌ریزی بیان ژن با مقدار RMSE برابر با 870/20 و 884/156 میلی‌متر به ترتیب برای ایستگاه‌های تازه‌کند در حوضه آبریز دریاچه ارومیه و کوهپایه در حوضه آبریز گاوخونی عملکرد بالاتری را داشته است. همچنین، نتایج نشان داد که تاًثیر به کارگیری ضریب فصلی و نویززدایی داده‌ها در ارتقاء عملکرد مدل‌ها قابل توجه است. بر اساس نتایج، عملکرد مدل‌ها در حوضه آبریز دریاچه ارومیه با اقلیم Dsa بهتر بوده است. همچنین، روش‌های داده‌کاوی هیبریدی را می‌توان به عنوان جایگزین مناسبی برای روش‌های قدیمی معرفی نمود.
کلیدواژه‌های فارسی مقاله اقلیم، تبخیر، داده‌کاوی، موجک،
عنوان انگلیسی Modeling Of Monthly Evaporation Using Single and Hybrid-Wavelet Data-Driven Methods in Basins of Iran with Climate Variety
چکیده انگلیسی مقاله Evaporation as one of the natural parameters has always been considered by researchers. In this study, the monthly evaporation variable was modeled in two different climates of Iran using artificial neural network, adaptive fuzzy-neural inference system and gene expression programming methods and combining these methods with wavelet theory. For this purpose, meteorological data of precipitation, relative humidity, average temperature, maximum temperature, minimum temperature and wind speed were used during the statistical period of 1384-1397 related to the two catchments of Urmia Lake and Gavkhouni. In this study, the seasonal effect and data noise reduction were applied. The accuracy of the studied methods was evaluated based on statistical correlation coefficient (R), root mean square error (RMSE), mean absolute error (MAE) and nash-sutcliffe efficiency (NSE). The results show that in two different climates, the wavelet-hybrid gene expression programming and the single artificial neural network have the highest and weakest performance, respectively, among other data mining models used in this study. The hybrid wavelet-gene expression programming model with RMSE value of 20.870 and 156.884 had higher performance for Tazehkand station in Urmia Lake catchment area and Kuhpayeh catchment in Gavkhouni catchment area, respectively. Also, the results showed that the effect of seasonal factor utilization and data noise reduction in model performance improvement is significant. Based on the results of the models performance Urmia Lake catchment area with Dsa climate has been better. However, hybrid data mining methods can be introduced as a good alternative to the old methods.
کلیدواژه‌های انگلیسی مقاله اقلیم, تبخیر, داده‏کاوی, موجک
نویسندگان مقاله علیرضا عمادی |
گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری

سروین زمان زاد قویدل |
پژوهشگر پسا دکتری، گروه مهندسی آبیاری و آبادانی پردیس کشاورزی و منابع طبیعی کرج، دانشگاه تهران

سهیلا زارعی |
دانشجوی دوره دکتری مهندسی منابع آب، گروه مهندسی آبیاری و آبادانی پردیس کشاورزی و منابع طبیعی کرج، دانشگاه تهران

علی رشید نیقی |
پژوهشگر پسا دکتری، دانشگاه مینه ستو آمریکا

نشانی اینترنتی https://www.waterjournal.ir/article_150752_65e72af08fb125fe8e07112547cdbe15.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات