مهندسی آبیاری و آب ایران، جلد ۱۰، شماره ۴، صفحات ۶۴-۷۸

عنوان فارسی بررسی کارایی روش دسته‌بندی گروهی داده‌ها و تبدیل موجک در پیش‌بینی رواناب(مطالعه موردی: حوضه آبریز قره‌سو)
چکیده فارسی مقاله امروزه بکارگیری مدل­های داده محور ابزارهای جدیدی برای شبیه­سازی و مدلسازی در علوم مختلف می­باشد. فرآیند بارش- رواناب از مهم­ترین و پیچیده­ترین پدیده­ها در چرخه هیدرولوژی است. در این مطالعه ضمن معرفی مدل ترکیبی موجک-دسته­بندی گروهی داده­ها، کارایی آن جهت مدل­سازی فرآیند بارش-رواناب حوضه آبریز قره­سو مورد مطالعه قرار گرفت. در ابتدا سری­های زمانی بارش و رواناب با استفاده از تبدیل موجک به چندین زیرسری تجزیه گشته تا بر ناایستایی آن غلبه گردد. سپس این زیرسری­های زمانی به عنوان ورودی روش دسته­بندی گروهی داده­ها برای پیش­بینی رواناب روزانه درنظر گرفته شده است. کارایی مدل ترکیبی با شاخص­های ضریب تبیین(DC) و ریشه میانگین مربعات خطا(RMSE) ارزیابی شدند. نتایج حاصل از مدل­ها بیانگر آن است که بیشترین مقدار ضریب تبیین و مقدار ریشه میانگین خطا برای مدل منفرد GMDH به ترتیب 65/0 و 07/0 و برای مدل ترکیبی به ترتیب 91/0 و 05/0 است. دلیل برتری مدل ترکیبی نسبت به مدل منفرد ناشی از این است که مدل ترکیبی دسته­بندی گروهی داده­­های موجکی، به جای استفاده از سری زمانی داده­های بارش و رواناب در یک مقیاس کلی، از چندین زیرسری پردازش شده زمانی با درجات تجزیه مختلف به عنوان ورودی در مدل استفاده می­نماید. همچنین نتایج نشان داد که مدل ترکیبی Wavelet-GMDHدر مقایسه با سایر مدل­های ترکیبی مانند شبکه عصبی مصنوعی موجکی(WANN) به سبب عملکرد لایه­ای مدل GMDH که دربرگیرنده ترکیبات دوتایی از متغیرهای ورودی است و با انتخاب تعداد نرون­های بهینه در هر لایه حرکت به سمت داده­های پیش­بینی شده را جهت­دهی می­نماید، دارای کارایی و دقت بیشتری است.
کلیدواژه‌های فارسی مقاله

عنوان انگلیسی Investigation of the Efficiency of Group Method of Data Handeling and Wavelet Transform in Runoff Forecasting (Case Study: Gharehsoo Watershed)
چکیده انگلیسی مقاله Rainfall-runoff process is one of the most important and complex phenomena in the hydrological cycle. Therefore, in its modeling, different perspectives for the development and improvement of predictive models have been presented. In this study, while introducing a combination of wavelet-group classification of data, its effectiveness for modeling the rainfall-run-off process in the Ghara-eos watershed was studied. At first, the rainfall and runoff time series were decomposed using a wavelet transform to several sub-basins to overcome its non-state. Then, these time subcircuits are considered as inputs of the grouped data collection method for predicting daily runoff. The efficiency of the combined model with DC and root mean square error (RMSE) were evaluated. The results of the validation of the models indicate that the highest amount of explanation coefficient and the lowest root mean of error for the single GMDH model were 0.65 and 0.07, respectively, and for the combined model of grouping the wavelet data The order is 0.91 and 0.05. The reason for the hybrid model's superiority to the single model is that the combination model of the grouping of wavelet data, instead of using the time series of rainfall and runoff data on a general scale, uses several time- Different decompositions are used as inputs in the model. Also, the results showed that the Wavelet-GMDH combination model compared to other composite models such as Waveline Artificial Neural Network (WANN) due to the GMDH model layer function, which includes binary combinations of input variables, and by selecting the number of optimal neurons in Each layer directs motion to the predicted data, has more efficiency and accuracy.
کلیدواژه‌های انگلیسی مقاله

نویسندگان مقاله محمدرضا گودرزی |
استادیار دانشکده عمران، دانشگاه یزد، یزد

حسام گودرزی |
کارشناسی ارشد مهندسی آب و سازه‌های هیدرولیکی، گروه مهندسی عمران، دانشگاه آیت اله العظمی بروجردی(ره)، بروجرد، ایران،


نشانی اینترنتی http://www.waterjournal.ir/article_109914_49f4f91840a6282f4c29cbc7e4aa21c0.pdf
فایل مقاله دریافت فایل مقاله
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