این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی آبیاری و آب ایران، جلد ۱۵، شماره ۳، صفحات ۱۹۰-۲۱۱
عنوان فارسی کاربرد الگوریتم های یادگیری ماشین در پیش‌بینی مساحت آبی خلیج گرگان با بهره‌گیری از داده‌های هیدرولوژیکی و اقلیمی
چکیده فارسی مقاله این مطالعه به پیش‌بینی تغییرات مساحت آبی خلیج گرگان با استفاده از داده‌های هیدرولوژیکی، ماهواره‌ای و اقلیمی شامل دما، بارش، دبی، تراز آب و مساحت آبی (MNDWI) دریای خزر در بازه زمانی 2000 تا 2023 پرداخت. به‌منظور مدل‌سازی این تغییرات، روش‌های پیشرفته یادگیری ماشین شامل XGBoost، شبکه عصبی RBFN، جنگل تصادفی و رگرسیون خطی استفاده شد. ارزیابی روابط میان متغیرها با استفاده از ضریب همبستگی و تحلیل رگرسیونی خطی انجام شد. شاخص‌های ارزیابی مدل شامل RMSE، MAE، MAPE، MBE و R² بوده و پنج سال به طور تصادفی داده‌های واقعی با داده‌های پیش‌بینی مقایسه شد. بر اساس نتایج، تغییرات تراز آبی دریای خزر بیشترین همبستگی را با مساحت آبی خلیج گرگان داشت (ضریب همبستگی 90/0 و معنی داری 001/0). ارتباط مساحت دریای خزر با خشک شدن خلیج گرگان ضریب همبستگی 66/0 و ضریب تعیین 43/0، و دبی ورودی با ضریب پیرسون 63/0 و ضریب تعیین 40/0 بود. بارش و دما با ضریب همبستگی 43/0 و 34/0- کمترین تأثیر را داشته است. نتایج ارزیابی مدل‌ها نشان داد که مدل XGBoost با ضریب تعیین 93/0 و خطای میانگین درصدی مطلق 9/4%، ریشه میانگین مربعات خطا 9/16 و میانگین مطلق خطا 3/15 بهترین عملکرد را داشت. در نهایت، پنج سال به‌طور تصادفی از جمله سال‌های 2000، 2008، 2011، 2016 و 2018 برای پیش‌بینی مساحت آبی خلیج گرگان توسط مدل انتخاب شد. نتایج نشان داد که تمامی مدل‌ها توانستند نوسانات داده‌ها را به طور مناسب شبیه‌سازی کنند، اما مدل XGBoost بهترین عملکرد را داشت.
کلیدواژه‌های فارسی مقاله تراز آب دریای خزر،سنجش از دور،یادگیری ماشین،مدل‌سازی آماری و تغییرات مساحت آب،
عنوان انگلیسی Application of Machine Learning Algorithms in Predicting the Water Area of Gorgan Bay Using Hydrological and Climatic Data
چکیده انگلیسی مقاله This study aimed to predict changes in the water area of Gorgan Bay using hydrological, satellite, and climatic data, including temperature, precipitation, discharge, water level, and the water area (MNDWI) of the Caspian Sea from 2000 to 2023. Advanced machine learning methods, including XGBoost, Radial Basis Function Networks (RBFN), Random Forest, and Linear Regression, were employed to model these changes. The relationships among the variables were assessed using correlation coefficients and linear regression analysis. Model evaluation metrics included RMSE, MAE, MAPE, MBE, and R², and actual data from five randomly selected years were compared with predicted values. The results revealed that changes in the water level of the Caspian Sea exhibited the highest correlation with the water area of Gorgan Bay (correlation coefficient 0.90 and significance level 0.001). Precipitation and temperature had the least impact, with correlation coefficients of 0.43 for precipitation and -0.34 for temperature. Evaluation of the predictive models showed that the XGBoost model had the best performance, with an R² of 0.93 and a mean absolute percentage error (MAPE) of 4.9%, root mean square error (RMSE) of 16.9, and mean absolute error (MAE) of 15.3. Finally, five years, including 2000, 2008, 2011, 2016, and 2018, were randomly selected to predict the water area of Gorgan Bay. The results indicated that all models adequately simulated data fluctuations, but the XGBoost model performed the best, accurately predicting severe fluctuations in the water area.
کلیدواژه‌های انگلیسی مقاله تراز آب دریای خزر,سنجش از دور,یادگیری ماشین,مدل‌سازی آماری و تغییرات مساحت آب
نویسندگان مقاله علیرضا یوسفی کبریا |
دکتری هواشناسی کشاورزی، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

مهدی نادی |
دانشیارگروه مهندسی آب دانشگاه علوم کشاورزی و منابع طبیعی ساری

نشانی اینترنتی https://www.waterjournal.ir/article_219703_958227bb3e0da490a130ec299d67e840.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