Article

توسعه روش رگرسیون k- نزدیک ترین همسایگی در پیش بینی جریان رودخانه

Download full textFree with an account; signing up with Google takes seconds

Abstract(in Persian; no English abstract is available)

روشهای مختلف آماری، غیرآماری و جعبه سیاه در فرایندهای پیش بینی جریان رودخانه استفاده می شوند. از میان روشهای آماری، روش رگرسیون ناپارامتری k- نزدیک ترین همسایگی به واسطه پایه ریاضی و سادگی ذاتی، یکی از روشهای مناسب در فرایندهای پیش بینی است. در این تحقیق ضمن معرفی کامل روش k-nn به تشریح راهکارهای توسعه و بهبود این روش پرداخته می شود که از آن جمله می توان به معرفی روشهای تخمین بهترین همسایگی، توابع انتقال اطلاعات (پیش پردازش)، توابع فاصله سنجی و روش پیشنهادی برای برونیابی اشاره کرد. روش پیش بینی k-nn به همراه راهکارهای توسعه آن بر روی مطالعه موردی پیش بینی آورد حوضه بالادست سد زاینده رود اجرا شد. مقایسه نتایج نهایی روش k-nn کلاسیک با روش اصلاح شده k-nn (تعداد همسایگی 5، تابع انتقال دامنه مقیاس، تابع فاصله سنجی ماهانالوبیس و اعمال روش برونیابی پیشنهادی) نشان می دهد که مدل بهبود یافته در پارامترهای نکویی برازش، ریشه میانگین مربعات خطا، درصد حجم خطا و میزان همبستگی به ترتیب 45 ، 59 و 17درصد بهبود عملکرد داشته است. این نتایج، ضرورت اعمال راهکارهای ذکر شده را برای استخراج پیش بینی های دقیق تر نشان می دهد.

Authors and affiliations
  1. محمد عزمی — دانشجوی دکترای مهندسی منابع آب، دانشکده فناوری و مهندسی کشاورزی، دانشگاه تهران
  2. شهاب عراقی نژاد — استادیار مهندسی منابع آب، دانشکده فناوری و مهندسی کشاورزی، دانشگاه تهران

Similar items

  • توسعه روش رگرسیون K- نزدیک‌ترین همسایگی در پیش‌بینی جریان رودخانه

    Article2012آب و فاضلابمحمد عزمی، شهاب عراقی‌نژاد

    روشهای مختلف آماری، غیرآماری و جعبه سیاه در فرایندهای پیش‌بینی جریان رودخانه استفاده می‌شوند. از میان روشهای آماری، روش رگرسیون ناپارامتری K- نزدیک‌ترین همسایگی به‌واسطه پایه ریاضی و سادگی ذاتی، یکی از روشهای مناسب در فرایندهای پیش‌بینی است. در این تحقیق ضمن معرفی کامل روش K-NN ب

  • پیش بینی جریان رودخانه با استفاده از برنامه ریزی ژنتیک (مطالعه موردی: حوضه آبریز رودخانه لیقوان)

    Article2009دانش آب و خاکنیما فربودنام، محمدعلی قربانی، محمد تقی اعلمی

    روش­های متعددی هم­چون مدل سری­های زمانی، شبکه­های عصبی مصنوعی، منطق فازی، نرو فازی و برنامه­ریزی ژنتیک برای پیش­بینی جریان رودخانه به کار می­رود. در تحقیق حاضر از روش نوین برنامه­ریزی ژنتیک جهت پیش­بینی جریان روزانه رودخانه لیقوان در حوضه آبریز دریاچه ارومیه در دوره آماری 1376 تا

  • ارزیابی عملکرد برخی مدل های آماری و محاسبات نرم در پیش بینی جریان رودخانه

    Articleتحقیقات منابع آب ایرانحمید معینی، دانشجوی کارشناسی ارشد/ مهندسی عمران آب دانشگاه رازی، کرمانشاه، ایران حسین بنکداری، استاد/ گروه مهندسی عمران دانشگاه رازی، کرمانشاه، ایران صاحبه عبدالهی، کارشناس ارشد/ مهندسی عمران آب، دانشگاه رازی، کرمانشاه، ایران

    باتوجه به کاهش منابع آب به خصوص در کشور ایران، پیش بینی جریان رودخانه اهمیت زیادی یافته و لازم است از بهترین روش ها استفاده گردد. بدین منظور روش های خطی و غیرخطی زیادی وجود دارد. ازآنجایی که تشخیص خطی یا غیرخطی بودن دبی ماهانه دشوار است، در این پژوهش عملکرد برخی مدل های خطی و غیر

  • تحلیل عدم قطعیت مدل های شبکه عصبی و نروفازی در پیش بینی جریان رودخانه

    Articleتحقیقات منابع آب ایراناشکان فرخ نیا، دانشجوی دکتری /سازه های آبی، دانشگاه تربیت مدرس سعید مرید، دانشیار/گروه سازه های آبی، دانشگاه تربیت مدرس

    پیش بینی آورد رودخانه در مدیریت منابع آب از اهمیت فراوانی برخوردار است، اما به دلیل عدم قطعیت بالا در عواملی که فرآیند بارش- رواناب را سبب می گردند، همواره با مشکلاتی همراه بوده است. یکی از روش هایی که می تواند این مشکل را تا حدی کاهش دهد، تحلیل عدم قطعیت پیش بینی های انجام شده م

  • تحلیل و پیش بینی جریان رودخانه کشکان با استفاده از نظریه آشوب

    Article2014نشریه هیدرولیکمسعود انیس حسینی، محمد ذاکرمشفق

    در این پژوهش از دیدگاه نظریه آشوب، سری زمانی آبدهی روزانه رودخانه کشکان تحلیل شده است. قبل از انجام تحلیل مبتنی بر نظریه آشوب، میزان داده های نوفه ای سری زمانی با استفاده از روش های تخمین هسته گوسی و تبدیل موجک مورد بررسی قرار گرفت. همچنین رفتار آماری سری زمانی با توابع خودهمبستگ

  • "گزارش فنی" مقایسه کارایی مدل IHACRES و شبکه عصبی مصنوعی برای پیش بینی جریان رودخانه سیوند

    Article2019پژوهشنامه مدیریت حوزه آبخیزفهیمه کریمپور، عبداله درزی نفت چالی، مهدی نادی

    تعیین دقیق جریان رودخانه در آبخیزهای فاقد آمار از چالشهای مهم در هیدرولوژی می باشد. در این راستا، با توجه به تنوع مدلهای هیدرولوژیکی موجود، انتخاب مدل مناسب مستلزم ارزیابی عملکرد مدلها در شرایط هیدرولوژیکی هر منطقه است. هدف از این پژوهش مقایسه کارایی روش شبکه عصبی مصنوعی (ANN) و