تخمین حدود پیش بینی بارش و رواناب مبتنی بر شبکه عصبی مصنوعی
عنوان مقاله: تخمین حدود پیش بینی بارش و رواناب مبتنی بر شبکه عصبی مصنوعی
شناسه ملی مقاله: JR_CEEJ-51-105_006
منتشر شده در در سال 1400
شناسه ملی مقاله: JR_CEEJ-51-105_006
منتشر شده در در سال 1400
مشخصات نویسندگان مقاله:
الناز شرقی - دانشکده مهندسی عمران، دانشگاه تبریز
ناردین جباریان پاک نژاد - دانشکده مهندسی عمران، دانشگاه تبریز
خلاصه مقاله:
الناز شرقی - دانشکده مهندسی عمران، دانشگاه تبریز
ناردین جباریان پاک نژاد - دانشکده مهندسی عمران، دانشگاه تبریز
در این مقاله پیش بینی نقطه ای و فواصل پیش بینی مدل شبکه عصبی مصنوعی (ANN) برای بارش و رواناب محاسبه شده است. سری زمانی ۲۸ و ۳۴ ساله از سال ۱۹۸۷ تا ۲۰۱۵ و ۱۹۸۱ تا ۲۰۱۵ به ترتیب برای حوضه رودخانه لیقوان چای و رودخانه غرب نیشنابوتنا (West Nishnabotna River) برای مدلسازی در مقیاس روزانه و ماهانه استفاده شده است. از آنجایی که پیش بینی نقطه ای ANN هیچ اطلاعاتی درباره عدم قطعیت مدلسازی بیان نمی کند، فواصل پیش بینی برای ارزیابی عملکرد ANN بهکار گرفته شد. مدلسازی فواصل ساخته شده با روش تخمین حد بالا و پایین (LUBE) که در آن ANN با دو خروجی که نشان دهنده حد بالا و پایین هستند، برای تخمین حدود پیش بینی استفاده شد. همچنین روش کلاسیک بوتاسترپ (Bootstrap)، که روشی رایج برای ارزیابی عدم قطعیت پیش بینی است، مورد استفاده قرار گرفت. نهایتا دقت فواصل پیش بینی به وسیله دو معیار همگرایی فواصل پیش بینی و عرض فواصل کمیت سنجی شد. در این مطالعه، ورودی های مدلسازی با معیار غیرخطی اطلاعات مشترک انتخاب شدند. مقایسه بین نتایج دو روش حاکی از آن است که روش LUBE در مقایسه با روش بوتاسترپ به نتایج قابل اطمینان تری منجر شد. احتمال همگرایی فواصل پیش بینی و عرض فواصل پیش بینی روش LUBE در مقایسه با روش بوتاسترپ به ترتیب تا ۲۰% بیشتر و ۳۰% کمتر بود. در روش LUBE، مدلسازی در مقیاس روزانه در مقایسه با مقیاس ماهانه به ترتیب برای رواناب رودخانه لیقوان چای و رودخانه غرب نیشنابوتنا، احتمال همگرایی فواصل پیش بینی ۱۷% و ۱۳% بیشتر و عرض فواصل پیش بینی ۱۸% و ۱۲% کمتر بوده است.
کلمات کلیدی: بارش- رواناب, شبکه عصبی مصنوعی, فواصل پیش بینی, روش بوت استرپ
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1420770/