آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 472 |
| تعداد مقالات | 3,738 |
| تعداد مشاهده مقاله | 6,359,178 |
| تعداد دریافت فایل اصل مقاله | 3,527,160 |
پیش‌بینی دبی اوج سیلاب با استفاده از یادگیری ماشین: چارچوبی یکپارچه برای ارزیابی پایداری مدل بر پایه تحلیل عدم‌قطعیت مونت‌کارلو و تفسیرپذیری مبتنی بر SHAP | ||
| 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.2026.14200.1226 | ||
| نویسندگان | ||
| علی زادبر1؛ صمد امامقلی زاده* 2 | ||
| 1گروه اب و محیط زیست دانشکده عمران دانشگاه صنعتی شاهرود | ||
| 2Shahrood | ||
| چکیده | ||
| هدف پژوهش حاضر، مقایسه عملکرد و ارزیابی پایداری و تفسیرپذیری سه مدل یادگیری ماشین شامل جنگل تصادفی (RF)، گرادیان بوستینگ (GB) و نزدیک‌ترین همسایه (KNN) در پیش‌بینی دبی اوج سیلاب در حوضه آبخیز سملقان است. در این پژوهش، 78 رخداد سیلاب مورد استفاده قرار گرفت که 62 رخداد برای توسعه مدل و16 رخداد مستقل برای آزمون نهایی اختصاص یافت. سه متغیر میانگین دبی، انحراف معیار دبی و بارش به‌عنوان متغیرهای ورودی در نظر گرفته شدند. اعتبارسنجی پنج‌تایی در مرحله توسعه مدل‌ها انجام شد و عملکرد مدل‌ها با استفاده از شاخص‌های RMSE، MAE، R²، NSE، KGE، PBIAS و RSR ارزیابی گردید. همچنین، به‌منظور بررسی پایداری مدل‌ها در برابر عدم‌قطعیت ورودی، نویز گاوسی 5 درصد به متغیرهای ورودی افزوده و 200 تکرار شبیه‌سازی مونت‌کارلو انجام شد. برای تفسیر سهم متغیرهای ورودی نیز از روش SHAP استفاده شد. مدل KNN در این مرحله RMSE برابر 5.23، R² برابر 0.91 و NSE برابر 0.88 را به دست آورد، اما GB در مجموع شاخص‌ها عملکرد متعادل‌تری نشان داد. در تحلیل مونت‌کارلو، میانگین RMSE برای RF، GB و KNN به‌ترتیب 7.48، 5.67 و 5.83 و انحراف معیار آن‌ها به‌ترتیب 0.97، 0.82 و 0.63 به دست آمد. نتایج SHAP نشان داد که انحراف معیار دبی مهم‌ترین متغیر پیش‌بینی‌کننده بوده و پس از آن میانگین دبی و بارش قرار دارند که بیانگر اهمیت تغییرپذیری دبی در برآورد دبی اوج سیلاب است. در مجموع، نتایج نشان می‌دهد که ارزیابی همزمان دقت پیش‌بینی، پایداری در برابر عدم‌قطعیت و سهم متغیرهای ورودی، چارچوب جامع‌تری برای انتخاب مدل‌های یادگیری ماشین فراهم می‌کند. | ||
| کلیدواژه‌ها | ||
| دبی اوج سیلاب؛ یادگیری ماشین؛ انحراف معیار دبی؛ مونت‌کارلو؛ آنالیز SHAP | ||
|
آمار تعداد مشاهده مقاله: 0 |
||