دانشگاه رازی
درخواست شاپا
پایگاه استنادی علوم جهان اسلام
بانک اطلاعات نشریات کشور
پژوهشگاه علوم وفناوری اطلاعات ایران
دبیرخانه کمیسیون بررسی نشریات علمی
سامانه رتبه بندی نشریات علمی کشور
سامانه جامع رسانه های کشور
کمیته بین المللی اخلاق در نشر

 آمار

تعداد نشریات21
تعداد شماره‌ها472
تعداد مقالات3,738
تعداد مشاهده مقاله6,359,173
تعداد دریافت فایل اصل مقاله3,527,160
رحیمی, بنفشه, حافظ پرست, مریم. (1405). روشهای ترکیبی و غیرترکیبی یادگیری ماشین در پیش بینی بارش-رواناب: مطالعه مقایسه ای مدلهای RF، MLP و GEP. , (), -. doi: 10.22126/atwe.2026.13800.1212
بنفشه رحیمی; مریم حافظ پرست. "روشهای ترکیبی و غیرترکیبی یادگیری ماشین در پیش بینی بارش-رواناب: مطالعه مقایسه ای مدلهای RF، MLP و GEP". , , , 1405, -. doi: 10.22126/atwe.2026.13800.1212
رحیمی, بنفشه, حافظ پرست, مریم. (1405). 'روشهای ترکیبی و غیرترکیبی یادگیری ماشین در پیش بینی بارش-رواناب: مطالعه مقایسه ای مدلهای RF، MLP و GEP', , (), pp. -. doi: 10.22126/atwe.2026.13800.1212
رحیمی, بنفشه, حافظ پرست, مریم. روشهای ترکیبی و غیرترکیبی یادگیری ماشین در پیش بینی بارش-رواناب: مطالعه مقایسه ای مدلهای RF، MLP و GEP. , 1405; (): -. doi: 10.22126/atwe.2026.13800.1212

روشهای ترکیبی و غیرترکیبی یادگیری ماشین در پیش بینی بارش-رواناب: مطالعه مقایسه ای مدلهای RF، MLP و GEP

فناوری های پیشرفته در بهره وری آب
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 18 آبان 1405
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22126/atwe.2026.13800.1212
نویسندگان
بنفشه رحیمی1؛ مریم حافظ پرست* 2
1دانشجوی دکتری مهندسی منابع آب دانشگاه رازی
2گروه مهندسی آب دانشگاه رازی
چکیده
این مطالعه به دنبال توسعه و ارزیابی چارچوب‌های داده‌محور بهینه‌شده برای بهبود پیش‌بینی جریان رودخانه در حوضه آبریز هرسین است. سه مدل برنامه‌ریزی بیان ژن (GEP)، پرسپترون چندلایه (MLP) و جنگل تصادفی (RF) به صورت مقایسه‌ای ارزیابی می‌شوند برای توانایی آن‌ها در بازتولید هر دو جریان پایه و دبی‌های اوج. داده‌های ماهانه بارش، دما و دبی (۱۹۷۸-۲۰۱۷) مورد استفاده قرار گرفتند. پیش‌پردازش شامل نرمال‌سازی و ویژگی‌های مهندسی‌شده تجمعی، فصلی و دارای تأخیر بود. یک چارچوب بهینه‌شده GEP در پایتون پیاده‌سازی شد،در حالی که یک مدل RF ترکیبی شامل وزن‌دهی پویای رژیم جریان طراحی شد برای بهبود شبیه‌سازی جریان اوج. عملکرد مدل با استفاده از شاخص‌های MAE، RMSE، R²، NSE و NRMSE ارزیابی شد. مدل GEP به طور دقیق جریان‌های پایه و دبی‌های اوج را شبیه‌سازی کرد، و R² را از ۰.۷۵ به ۰.۹۹ افزایش داد. مدل MLP در پیش‌بینی رویدادهای جریان بالا عالی بود اما برای جریان‌های پایین کمتر دقیق بود. مدل استاندارد RF به طور رضایت‌بخشی برای جریان‌های پایه عمل کرد اما محدودیت‌هایی در بازتولید اوج‌های شدید نشان داد. مدل RF ترکیبی به طور قابل توجهی بازتولید جریان اوج و پایداری کلی را در مقایسه با RF استاندارد بهبود بخشید. به طور کلی، GEP بیشترین دقت و استواری را در تمام رژیم‌های جریان ارائه داد. نتیجه‌گیری: مهندسی ویژگی‌ها، بهینه‌سازی مدل و طراحی معماری ترکیبی برای بهبود پیش‌بینی جریان رودخانه حیاتی هستند. مدل GEP به عنوان قابل‌اعتمادترین رویکرد ظاهر می‌شود، RF ترکیبی عملکرد را نسبت به RF استاندارد بهبود می‌بخشد، و MLP به ویژه برای رویدادهای جریان بالا مؤثر است.
کلیدواژه‌ها
برنامه ریزی بیان ژن؛ بارش رواناب؛ پایتون؛ جنگل تصادفی؛ شبکه عصبی
آمار
تعداد مشاهده مقاله: 0


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب