بررسی کارایی روش های ناپارامتریک مبتنی بر تجزیه و تحلیل باقیمانده ها و پارامتریک در برآورد عدم قطعیت مدل هیدرولوژیکی

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 105

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJSWR-49-2_005

تاریخ نمایه سازی: 7 خرداد 1402

چکیده مقاله:

به منظور تصمیم گیری مناسب جهت اجرای اقدامات مدیریتی نیاز است تا علاوه بر خروجی مدل دامنه عدم قطعیت آن نیز برآورد گردد. در تحقیق حاضر کارایی روش های ناپارامتریک LEC (Local Errors and Clustering)، رگرسیون چندک و جنگل تصادفی در برآورد عدم قطعیت مدل یکپارچه HBV در حوضه چهل چای استان گلستان بررسی گردید. پس از بهینه سازی پارامترهای مدل HBV با استفاده از روش تکامل تصادفی جوامع، مدل برای دوره های واسنجی و صحت سنجی اجرا و مقادیر باقیمانده ها محاسبه گردید. نتایج نشان داد با در نظر گرفتن متغیرهای دبی برآوردی، دبی مشاهداتی، مقدار بارش و مقادیر باقیمانده ها در حوضه مورد مطالعه داده های ورودی در چهار خوشه فازی قرار می گیرند. نتایج برآورد عدم قطعیت نشان داد بزرگترین و کوچکترین مقدار دامنه عدم قطعیت به ترتیب توسط روش های LEC در حالتی که توسط ماشین بردار رگرسیون آموزش دیده باشد و روش جنگل تصادفی، بدست آمده است. با توجه به مقادیر شاخص های ارزیابی PICP (Prediction Interval Coverage Probability)، MPI (Mean Prediction Interval) و(Average Relative Interval Length) ARIL بهترین عملکرد مربوط به روش رگرسیون چندک و سپس روش LEC در حالتی که آموزش داده نشده است، بود. در مقایسه با روش های ناپارامتریک، روش(Generalized Liklihod Uncertainty Estimation)  GLUE با توجه به مقادیر هر سه معیار ارزیابی عملکرد مناسبی نداشت.

نویسندگان

ابوالحسن فتح آبادی

عضو هیات علمی، دانشگاه گنبد کاووس

حامد روحانی

دانشگاه گنبد کاووس

سیدمرتضی سیدیان

دانشگاه گنبدکاووس

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • AghaKouchak, A. and Habib, E. (۲۰۱۰). Application of a conceptual ...
  • Beven, K.. and Binley. A. (۱۹۹۲). The future of distributed ...
  • Bezdek, J.C. (۱۹۷۴a). Numerical taxonomy with fuzzy sets. Journal of ...
  • Bezdek, J.C. (۱۹۷۴b). Cluster validity with fuzzy sets. Journal of ...
  • Breiman, Leo. (۲۰۰۱). Random forests. Mach. Learn, ۴۵ (۱), ۵– ...
  • Chang, C. H., Yang J.C. and Tung, Y.K. (۱۹۹۳). Sensitivity ...
  • Dogulu, N., López López, P., Solomatine, D. P., Weerts, A. ...
  • Evin, G., Thyer, M. Kavetski, D. McInerney D. and Kuczera, ...
  • Fukuyama, Y. and Sugeno, M. (۱۹۸۹). A new method of ...
  • Khu, S.T. and Werner, M.G.F. (۲۰۰۳). Reduction of monte-carlo simulation ...
  • Koenker, R. (۲۰۰۵). Quantile Regression, Cambridge University Press ...
  • Koenker, R. and Bassett, J.r. (۱۹۷۸). Regression Quantiles, Econometrica, ۱, ...
  • López López, P., Verkade, J.S., Weerts, A .H. and Solomatine, ...
  • Malone, B.P., McBratney, A.B. and Minasny, B. (۲۰۱۱). Empirical estimates ...
  • Matott, L.S., Babendreier, J.E. and Purucker, S.T. (۲۰۰۹). Evaluating uncertainty ...
  • Montanari, A. (۲۰۱۱). Uncertainty of Hydrological Predictions. In: Peter Wilderer ...
  • Rouhani, H. and Farahi Moghadam, M. (۲۰۱۴). Application of the ...
  • In Farsi) ...
  • Shrestha, D. L., and D. P. Solomatine (۲۰۰۶). Machine learning ...
  • Siebert, J. and Vis, M. J. P. (۲۰۱۲). Teachinghydrological modeling ...
  • Solomatine, D. P. and Siek, M. B. (۲۰۰۶). Modular learning ...
  • Solomatine, D. P. and Shrestha, D. L. (۲۰۰۹). A novel ...
  • Walker, W.E., Harremoës, P., Rotmans, J., Van der Sluis, J.P., ...
  • Xu, T., and Valocchi, A .J.(۲۰۱۵). Data-driven methods to improve ...
  • نمایش کامل مراجع