آمار
| تعداد نشریات | 23 |
| تعداد شماره‌ها | 393 |
| تعداد مقالات | 3,094 |
| تعداد مشاهده مقاله | 2,831,495 |
| تعداد دریافت فایل اصل مقاله | 1,984,001 |
پیش‌بینی بارش درازمدت شهر ایلام با کاربرد مدل ترکیبی ماشین یادگیری | ||
| فناوری های پیشرفته در بهره وری آب | ||
| مقاله 6، دوره 5، شماره 2، تیر 1404، صفحه 116-133 اصل مقاله (1.04 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22126/atwe.2025.11698.1153 | ||
| نویسندگان | ||
| نوید مرادپور1؛ محسن نجارچی* 2؛ سید محمد میرحسینی3 | ||
| 1گروه مهندسی عمران، واحد اراک ، دانشگاه آزاد اسلامی، اراک ، ایران. | ||
| 2گروه مهندسی عمران، واحد اراک، دانشگاه آزاد اسلامی، اراک ، ایران. | ||
| 3گروه مهندسی عمران، واحد اراک، دانشگاه آزاد اسلامی، اراک ، ایران . | ||
| چکیده | ||
| هدف: هدف از این پژوهش، پیش‌بینی بارش درازمدت شهر ایلام با کاربرد مدل ترکیبی ماشین یادگیری است. روش پژوهش: در این مطالعه، بارندگی درازمدت شهر ایلام در یک بازه زمانی ۴۴ساله از 1980 تا 2024 توسط یک مدل ترکیبی ماشین یادگیری شبیهسازی گردید. استان ایلام ازلحاظ قرارگیری در عرض‌های مختلف جغرافیایی، وضعیت توپوگرافی خاص دارای پراکندگی بارش ناموزونی است. در این تحقیق بعد از جمع‌آوری داده‌ها ابتدا میانگین تعداد ماه‌های بارش برای هرکدام از ایستگاه‌های موردمطالعه برای یک دوره‌ی به دست آمد. جهت پیش‌بینی از مدل ماشین یادگیری استفاده گردید. در گام نخست دادههای مشاهداتی نرمالسازی شدند و بهترین ضرایب نرمالسازی برای این مطالعه بدست آمدند. تقریبا 70 درصد دادههای مشاهداتی برای آموزش مدلهای هوش مصنوعی و مابقی 30% نیز جهت آزمون آنها به کار گرفته شدند.در ادامه، تعداد بهینه نرونهای لایه مخفی به همراه بهترین تابع فعالسازی مدل ORELM با اجرای یک پروسه سعی و خطا انتخاب شدند. در این مطالعه، پارامتر منظمسازی (regularization parameter) مدل ORELM نیز بهینهسازی گردید. همچنین، با استفاده از تابع خودهمبستگی (ACF) تاخیرهای موثر دادههای سری زمانی شناسایی شدند و با استفاده از این تاخیرها، چهارده مدل ORELM توسعه داده شدند. یافته‌ها: بررسی توابع فعالسازی مختلف نشان داد که tribas بهترین تابع فعالسازی جهت شبیهسازی بارشهای شهر ایلام توسط این ماشین یادگیری ترکیبی بود. مدل ORELM 9 به‌عنوان مدل برتر معرفی شد و مقادیر VAF، R و NSC برای آن به ترتیب برابر با 157/93، 965/0 و 925/0 بودند. همچنین، تاخیرهای شماره (t-1)، (t-2)، (t-3) و (t-10) به‌عنوان مؤثرترین تاخیرهای دادههای سری زمانی بارش شهر ایلام شناسایی شدند. در انتها نتایج مدل ترکیبی ORELM با مدلهای هوش مصنوعی ELM و ORELM مقایسه گردید که مقایسه مذکور نشان دهنده عملکرد بهتر مدل ترکیبی ORELM بود. نتیجه‌گیری: با تجزیه‌وتحلیل نتایج مدلهای دهگانه ORELM، بهترین مدل به همراه مؤثرترین تاخیرهای دادههای سری زمانی معرفی گردید. در انتها نتایج مدل ترکیبی ORELM با سایر ماشینهای یادگیری نیز مقایسه شد که این مقایسه حاکی از عملکرد بهتر مدل ORELM بود. | ||
| کلیدواژه‌ها | ||
| ماشین یادگیری؛ بارش درازمدت؛ شهر ایلام؛ ORELM؛ تابع فعالسازی | ||
| مراجع | ||
|
Aman Jalili, A., Najarchi, M., Shabanlou, S., & Jafarinia, R. (2023). Multiobjective optimization of water resources in real time based on integration of NSGA-II and support vector machines. Environ Sci Pollut Res, 30, 16464–16475. https://doi.org/10.1007/s11356-022-22723-4
Amiri, S., Rajabi, A., Shabanlou, S., Yosefvand, F., & Izadbakhsh, M.A. (2023). Prediction of groundwater level variations using deep learning methods and GMS numerical model. Earth Sci Inform, 16, 3227–3241. https://doi.org/10.1007/s12145-023-01052-1
Jalilian, A., Heydari, M., Azari, A., & Shabanlou, S. (2022). Extracting optimal rule curve of dam reservoir base on stochastic inflow. Water Resour Manage, 36, 1763–1782. https://doi.org/10.1007/s11269-022-03087-3
Gharib, R., Heydari, M., Kardar, S., & Shabanlou, S. (2020). Simulation of discharge coefficient of side weirs placed on convergent canals using modern self-adaptive extreme learning machine. Appl Water Sci, 10, 50. https://doi.org/10.1007/s13201-019-1136-0
Azad, A., Manoochehri, M., Kashi, H., Farzin, S., Karami, H., Nourani, V., & Shiri, J. (2019). Comparative evaluation of intelligent algorithms to improve adaptive neuro-fuzzy inference system performance in precipitation modelling. Journal of Hydrology, 571, 214-224. http://dx.doi.org/10.1016/j.jhydrol.2019.01.062
Azizi, E., Yosefvand, F., Yaghoubi, B., Izadbakhsh, M.A., & Shabanlou, S. (2023) Modelling and prediction of groundwater level using wavelet transform and machine learning methods: A case study for the Sahneh Plain, Iran. Irrigation and Drainage, 72(3), 747–762. https://doi.org/10.1002/ird.2794
Basak, A., Mengshoel, O.J., Kulkarni, C., Schmidt, K., Shastry, P., & Rapeta, R. (2017). Optimizing the decomposition of time series using evolutionary algorithms: soil moisture analytics. The genetic and evolutionary computation conference, Berlin, Germany. http://dx.doi.org/10.1145/3071178.3071191
Fallahi, M.M., Shabanlou, S., Rajabi, A., Yosefvand, F., & IzadBakhsh, M.A. (2023). Effects of climate change on groundwater level variations affected by uncertainty (case study: Razan aquifer). Appl Water Sci, 13(143). https://doi.org/10.1007/s13201-023-01949-8
Hammad, M., Shoaib, M., Salahudin, H., Baig, M. A. I., Khan, M. M., & Ullah, M. K. (2021). Rainfall forecasting in upper Indus basin using various artificial intelligence techniques. Stochastic Environmental Research and Risk Assessment, 35(1-2), 1-23. https://link.springer.com/article/10.1007/s00477-021-02013-0
Hasani, F., and Shabanlou, S. (2021). Weighted regularized extreme learning machine to model the discharge coefficient of side slots. Flow Measurement and Instrumentation, 79, 101955. https://doi.org/10.1016/j.flowmeasinst.2021.101955
Huang, G. B., Zhu, Q. Y., & Siew, C. K. (2006). Extreme learning machine: theory and applications. Neurocomputing, 70(1-3), 489-501. https://doi.org/10.1016/j.neucom.2005.12.126
Mahmodian, A.R., Rajabi, A., Izadbakhsh, M.A., & Shabanlou, S. (2019). Evaluation of side orifices shape factor using the novel approach self-adaptive extreme learning machine Model. Earth Syst. Environ, 5, 925–935. https://doi.org/10.1007/s40808-019-00579-x
Maqsood, I., Khan, M.R., & Abraham, A. (2004). An ensemble of neural networks for weather forecasting. Neural Computing & Applications, 13(2), 112-122. https://doi.org/10.1007/s00521-004-0413-4
Mazraeh, A., Bagherifar, M., Shabanlou, S., & Ekhlasmand, R. (2023). A Hybrid Machine Learning Model for Modeling Nitrate Concentration in Water Sources. Water, Air, & Soil Pollution, 234(11), 1-22. http://dx.doi.org/10.1007/s11270-023-06745-3
Mazraeh, A., Bagherifar, M., Shabanlou, S., & Ekhlasmand, R. (2024). A novel committee-based framework for modeling groundwater level fluctuations: A combination of mathematical and machine learning models using the weighted multi-model ensemble mean algorithm. Groundwater for Sustainable Development, 24, 101062. http://dx.doi.org/10.1016/j.gsd.2023.101062
Mehr, A. D., Nourani, V., Khosrowshahi, V. K., & Ghorbani, M. A. (2019). A hybrid support vector regression–firefly model for monthly rainfall forecasting. International Journal of Environmental Science and Technology, 16(1), 335-346. http://dx.doi.org/10.1007/s13762-018-1674-2
Mekanik, F., Imteaz, M. A., Gato-Trinidad, S., & Elmahdi, A. (2013). Multiple regression and Artificial Neural Network for long-term rainfall forecasting using large scale climate modes. Journal of Hydrology, 503, 11-21. https://doi.org/10.1016/j.jhydrol.2013.08.035
Mislan, H., Hardwinarto, S., & Sumaryono, M. A. (2015). Rainfall monthly prediction based on artificial neural network: a case study in Tenggarong Station, East Kalimantan-Indonesia. Procedia Computer Science, 59, 142-151. https://doi.org/10.1016/j.procs.2015.07.528
Moghadam, R.G., Yaghoubi, B., Rajabi, A. Shabanlou, S., & Izadbakhsh, M.A. (2022). Evaluation of discharge coefficient of triangular side orifices by using regularized extreme learning machine. Appl Water Sci, 12, 145. https://doi.org/10.1007/s13201-022-01665-9
Nasseri, M., Asghari, K., & Abedini, M. J. (2008). Optimized scenario for rainfall forecasting using genetic algorithm coupled with artificial neural network. Expert Systems with Applications, 35(3), 1415-1421. https://doi.org/10.1016/j.eswa.2007.08.033
Poursaeid, M., Poursaeed, A.H., & Shabanlou, S. (2022). Study of water resources parameters using artificial intelligence techniques and learning algorithms: a survey. Appl Water Sci, 12, 156. https://doi.org/10.1007/s13201-022-01675-7
Poursaeid, M., Poursaeed, A.H., & Shabanlou, S. (2024). Water quality fluctuations prediction and Debi estimation based on stochastic optimized weighted ensemble learning machine. Process Safety and Environmental Protection, 188, 1160-1174. https://doi.org/10.1016/j.psep.2024.05.146
Riad, S., Mania, J., Bouchaou, L., & Najjar, Y. (2004). Rainfall-runoff model usingan artificial neural network approach. Mathematical and Computer Modelling, 40(7-8), 839-846. https://doi.org/10.1016/j.mcm.2004.10.012
Shabanlou, S. (2018). Improvement of extreme learning machine using self-adaptive evolutionary algorithm for estimating discharge capacity of sharp-crested weirs located on the end of circular channels. Flow Measurement and Instrumentation, 59, 63-71. https://doi.org/10.1016/j.flowmeasinst.2017.11.003
Shafiei, S., Najarchi, M., & Shabanlou, S. (2020). Prognostication of discharge coefficient of labyrinth weir using outlier robust extreme learning machine. Flow Measurement and Instrumentation, 71, 101681. https://doi.org/10.1016/j.flowmeasinst.2019.101681
Shirali, E., Shahbazi, A. N., Fathian, H., Zohrabi, N., & Hassan, E. M. (2020). Evaluation of WRF and artificial intelligence models in short-term rainfall, temperature and flood forecast (case study). Journal of Earth System Science, 129(1), 1-16. http://dx.doi.org/10.1007/s12040-020-01450-9
Xiang, Y., Gou, L., He, L., Xia, S., & Wang, W. (2018). A SVR–ANN combined model based on ensemble EMD for rainfall prediction. Applied Soft Computing, 73, 874-883. https://doi.org/10.1016/j.asoc.2018.09.018
Yang, J., & Zhang, Y. (2011). Alternating approximation algorithms for l1-problems in compress sensing. SIAM J. Sci. Comput, 33(1), 250-278. https://doi.org/10.1137/090777761
Zarei, S., Yosefvand, F., & Shabanlou, S. (2020). Discharge coefficient of side weirs on converging channels using extreme learning machine modeling method. Measurement, 152, 107321. https://doi.org/10.1016/j.measurement.2019.107321
Zhang, K., & Luo, M. (2015). Outlier-robust extreme learning machine for regression problems. Neurocomputing, 151, 1519-1527. https://doi.org/10.1016/j.neucom.2014.09.022 | ||
|
آمار تعداد مشاهده مقاله: 70 تعداد دریافت فایل اصل مقاله: 13 |
||