Thesis

پیش بینی جریان رودخانه با استفاده از الگوریتم نزدیکترین همسایگی مبتنی بر شاخص پیچیدگی و روش جمعی احتمالاتی

Abstract(in Persian; no English abstract is available)

پیش بینی دقیق جریان رودخانه در طراحی، بهره برداری و برنامه ریزی علمی منابع آب از اهمیت بسزایی برخوردار است. همین مساله موجب شده تا محققان تحقیقات زیادی در این خصوص انجام دهند. جدا از اینکه چه روشی جهت مدل سازی مورد استفاده قرار گیرد، عملکرد هر مدل، شدیداً تحت تاثیر داده-های تصادفی بوده و این مساله موجب عدم تطبیق مدل با پدیده واقعی می گردد. با توجه به این حقیقت که شناسایی روابط علت و معلولی میسر نیست و بنابراین، محقق هیچ گاه قادر به شناسایی کامل رفتار فیزیکی حاکم بر سیستم نیست، سوال اصلی این است که چگونه می توان تحت این محدودیت ها مدل-سازی را به طور مطلوب انجام داد؟ روش نزدیکترین همسایگی به عنوان یکی از روش های ناپارامتری رگرسیونی ناحیه ای است که از آن در شناسایی الگو و مدل سازی استفاده می شود. در این تحقیق از تئوری تعمیم یافته واپنیک- چروننکیس (vc) که بر مبنای مفهوم پیچیدگی مدل می باشد، جهت انتخاب پارامترهای مناسب الگوریتم های نزدیکترین همسایگی استفاده شد و به ازای مقادیر بهینه پارامترها به پیش بینی جریان رودخانه پرداخته شد. در سال های اخیر استفاده از روش های جمعی قطعی و احتمالاتی جهت پیش بینی میزان دبی جریان رودخانه توجه محققین زیادی را به خود جلب کرده است. پژوهش حاضر دو روش مختلف احتمالاتی را برای پیش بینی جریان رودخانه استفاده می کند. سپس میزان عدم قطعیت ناشی از پیش بینی به صورت کمی معین می شود. تخمین گرهای خطی در یکی از روش ها و در دیگری الگوریتم نزدیکترین همسایگی استفاده شد. همچنین استفاده از مدل های هوشمند به دلیل قابلیت بالا در فرآیند مدل سازی در دهه های اخیر همواره مورد توجه محققین بوده است. در این تحقیق عملکرد دو روش هوشمند شامل سیستم استنتاج فازی- عصبی تطبیقی و رگرسیون بردار پشتیان در مدل سازی دبی جریان رودخانه مورد بررسی قرار گرفت. جهت پیش بینی جریان رودخانه از مقادیر دبی با تاخیرهای مختلف استفاده شد. روش های ذکر شده در سه حوضه آبریز مختلف کشور شامل حوضه آبریز باراندوزچای در شمال غرب، حوضه آبریز رودخانه زرد در جنوب غربی و حوضه آبریز قره چای در بخش مرکزی ایران مورد ارزیابی قرار گرفتند. جهت ارزیابی عملکرد مدل ها از سه شاخص خطا شامل ضریب تعیین ضریب تعیین (r2)، ریشه میانگین مربعات خطا (rmse) و متوسط قدر مطلق خطا (mae) استفاده شد. نتایج عملکرد مدل های مختلف نشان داد که کلیه مدل ها از دقت قابل قبولی در پیش بینی دبی جریان در مقیاس های زمانی ماهانه و روانه برخوردار بودند. استفاده از روش مبنا پیچیدگی به منظور تعیین مقادیر بهینه شعاع همسایگی و تعداد تاخیرها موجب بهبود قابل توجهی در عملکرد مدل نزدیکترین همسایگی شد. روش های جمعی احتمالاتی نزدیکترین همسایگی و روش جمعی احتمالاتی غیرخطی نتایج قابل قبولی در پیش بینی دبی جریان داشتند. در این راستا عملکرد روش جمعی احتمالاتی نزدیکترین همسایگی بهتر از روش جمعی احتمالاتی غیرخطی بود. با افزایش مقدار دبی جریان، پهنای باند اطمینان افزایش یافت که نشان از افزایش عدم قطعیت پیش بینی مدل برای مقادیر حداکثر جریان بود. استفاده از ضریب فصلی موجب بهبود عملکرد مدل های هوشمند در پیش بینی مقادیر دبی جریان ماهانه شد. در این خصوص عملکرد مدل رگرسیون بردار پشتیبان بهتر از مدل فازی- عصبی بود. با افزایش طول دوره آماری در بخش آموزش مدل عملکرد مدل ها در پیش بینی مقادیر بخش آزمون بهبود یافت و در این راستا مدل مبنا پیچیدگی از حساسیت کمتری برخوردار بود. نتایج بدست آمده در این رساله، اطلاعات با ارزشی در اختیار برنامه ریزان و سیاستگذاران منابع آب و هیدرولوژی قرار می دهد.

Supervisors and advisors

محمد علی قربانی، یعقوب دین پژوه، مهدی ضرغامی

Similar theses

Similar items

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

    Article2012فصلنامه علمی- پژوهشی آب و فاضلابمحمد عزمی، شهاب عراقی نژاد

    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 ب

  • مدل پیش بینی جریان رودخانه با استفاده از سیستم فازی fis و الگوریتم بهینه سازی pso

    Article2013فصلنامه علمی- پژوهشی آب و فاضلابمحمود محمد رضاپور طبری، جابر سلطانی

    هدف از این مطالعه پیش بینی رواناب به صورت مکانی با استفاده از اطلاعات ایستگاههای هیدرومتری و هواشناسی بود. بررسی ها نشان می دهد که معمولاً ارتباطات مشخصی بین داده های هواشناسی و هیدرومتری بالادست حوضه با میزان رواناب تولیدی در خروجی حوضه وجود دارد و چنانچه بتوان قوانین نهفته در س

  • 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

  • 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

  • پیش بینی جریان رودخانه با استفاده از سیستم استنتاج فازی

    Articleتحقیقات منابع آب ایرانندا پوستی زاده، کارشناسی ارشد/ سازه های آبی، دانشگاه تربیت مدرس، تهران جمال محمدولی سامانی، دانشیار گروه سازه های آبی ، دانشگاه تربیت مدرس، تهران امین کوره پزان دزفولی، کارشناس ارشد/ عمران آب، وزارت نیرو، تهران

    یکی از روشهای نو ظهور در حل مسایل مهندسی جهت مدل سازی سیستم هایی که دارای پیجیدگی زیاد یا عدم صراحت بوده و یا داده های کافی از آنها موجود نیست، استفاده از تئوری مجموعه های فازی از جمله سیستم می باشد. مزیت اصلی این تکنیک نسبت به استنتاج فازی روش های رایج، این است که این سیستم بر ا

  • مقایسه مدل های محلی آشوبناک مبتنی بر فضای فاز در پیش بینی جریان رودخانه

    Article2015مهندسی عمران مدرسمسعود انیس حسینی، محمد ذاکرمشفق

    از دیدگاه نظریه آشوب، طبیعت پیچیده و رفتار تصادف گونه یک سیستم مانند سیستم هیدرولوژیک حاکم بر جریان یک رودخانه می تواند از یک تعیّن پذیری ساده و پنهان نشأت گرفته باشد. این تعیّن پذیری، در صورت وجود، در فضای فاز سیستم قابل مشاهده است و بر مبنای همین الگوی شکل گرفته در فضای فاز، می