تعداد نشریات | 31 |
تعداد شمارهها | 990 |
تعداد مقالات | 8,645 |
تعداد مشاهده مقاله | 9,298,633 |
تعداد دریافت فایل اصل مقاله | 7,442,750 |
شبیه سازی نوسانات سطح آب زیرزمینی با استفاده از ترکیب ماشین بردار پشتیبان و تبدیل موجک | ||
علوم و مهندسی آبیاری | ||
مقاله 12، دوره 41، شماره 1، اردیبهشت 1397، صفحه 165-180 اصل مقاله (1.32 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22055/jise.2018.13577 | ||
نویسندگان | ||
علی اسکندری1؛ اباذر سلگی* 2؛ حیدر زارعی3 | ||
1مربی گروه مهندسی عمران، دانشگاه آزاد اسلامی، واحد بوشهر، ایران. | ||
2دانشجوی دکتری مهندسی منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز | ||
3دانشیار گروه هیدرولوژی و منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهیدچمران اهواز، ایران. | ||
چکیده | ||
امروزه در بسیاری از کشورهای جهان، به ویژه در مناطقی که با کمبود آبهای سطحی مواجه هستند، بهرهبرداری از منابع آب زیرزمینی بیش از پیش مورد توجه قرار گرفته است. بهرهبرداری بیرویه از این منابع، بدون بهرهگیری از مطالعات منابع آب زیرزمینی میتواند مشکلات و پیامدهای جبرانناپذیری را بهبار آورد. مدیریت صحیح این منابع با شناخت کامل و آگاهی از این منابع امکانپذیر است. در این تحقیق از مدل ماشین بردار پشتیبان (SVM) برای پیشبینی ماهانه سطح آب زیرزمینی دشتبرازجان در استان بوشهر در یک دوره 12 ساله (1392-1381) استفاده شد. به منظور بهبود نتایج این مدل، ابتدا دادههای ورودی با استفاده از تبدیل موجک به زیر سیگنالهایی تبدیل شدند. سپس زیرسیگنالهای مزبور، بهعنوان ورودی به مدل SVM بهعنوان مدل ترکیبی ماشین بردار پشتیبان-موجک (WSVM) استفاده شدند. برای پیشبینی سطح آب زیرزمینی از پنج حلقه چاه مشاهدهای بههمراه متغیرهای سطح آب زیرزمینی،بارش، تبخیر و دما، استفاده شد.نتایج نشان داد مدل ترکیبی WSVM دارای عملکرد بهتری نسبت به مدل SVM میباشد. بهطوری که عملکرد مدل ترکیبی در شبیهسازی ماهانه سطح آب زیرزمینی 8 درصد نسبت به مدل SVM بهتر بود. این روش ایدهای جدید برای افزایش دقت مدلها و کاربرد آنها در مسائل هیدروژئولوژی میباشد. در پایان سطح آب زیرزمینی برای یک سال آینده با مدل ترکیبی برآورد گردید. | ||
کلیدواژهها | ||
ماشین بردار پشتیبان؛ تبدیل موجک؛ سطح آب زیرزمینی؛ شبیه سازی | ||
مراجع | ||
1- Adamowski, J. and Chan, H.F., 2011. A wavelet neural network conjunction model for groundwater level forecasting. Journal of Hydrology, 407(1–4), pp. 28-40.
2- Bierkens, M., 1998. Modeling water table fluctuations by means of a stochastic differential equation. Water Resources Reserch, 34(10), pp. 2485-2499.
3- Cortes, C. and Vapnik, V., 1995. Support-Vector Networks. Machine Learning, 20, pp. 273-295.
4- Fallah-Mehdipour, E., Bozorg Haddad, O. and Mariño, M.A., 2013. Prediction and simulation of monthly groundwater levels by genetic programming. Journal of Hydro-environment Research, 7(4), pp. 253-260.
5- Izadi, A.A., Davari, K., Alizadeh, A., Ghahreman, B. and Haghayeghi moghadam, S.A., 2007. Using Artificial Neural Network to Predict the Water Ttable (case study: Neyshabur plain). Iranian journal of Irrigation and Drainage, 1(2), pp. 59-71. (In Persian).
6- Kumar, P.E. and Fofola-Georgiou, G., 1994. Wavelet in geophysiscs. New York, Academic Press.
7- Mallat, S.G., 1998. A wavelet tour of signal processing, San Diego, pp. 1-557.
8- Moosavi, V., Vafakhah, M., Shirmohammadi, B. and Ranjbar, M., 2014. Optimization of Wavelet-ANFIS and Wavelet-ANN Hybrid Models by Taguchi Method for Groundwater Level Forecasting. Arabian Journal for Science and Engineering, 39, pp. 1785–1796.
9- Nakhaei, M. Saberi nasr, R. and Faraj zadeh, R., 2011. Benefit of Wavelet-Artificial Neural Network in prediction of water table fluctuations. 4th Iran Water Resources Management Conference. Amirkabir University of Technology, Tehran. (In Persian).
10- Nayak, P., Satyaji Rao, Y.R. and Sudheer, K.P., 2006. Groundwater Level Forecasting in a Shallow Aquifer Using Artificial Neural Network Approach. Water Resources Management, 20, pp.77-90.
11- Nourani, V., Asghari Mogaddam, A. and Naderi, A.O., 2008. An ANN-based model for spatiotemporal groundwater level forecasting. Hydrological Processes, 22, pp. 5054–5066.
12- Nourani, V., Komasi, M. and Mano, A., 2009. A Multivariate ANN-Wavelet Approach for Rainfall–Runoff Modeling. Water Resources Management, 23, pp. 2877–2894.
13- Rajaee, T. and Zeynivand, A., 2015. Modeling of Groundwater Level using ANN–Wavelet Hybrid Model (Case Study: Sharif Abad Plain). Journal of Civil and Environmental Engineering, 44(4), pp.51-63. (In Persian).
14- Riad, S., Mania, J., Bouchaou, L. and Najjar, Y., 2004. Rainfall-runoff model usingan artificial neural network approach. Mathematical and Computer Modelling, 40(7–8), pp.839-846.
15- Schölkopf, B. and Smola, A.J., 2002. Learning with Kernels. MIT Press, Cambridge, MA.
16- Schölkopf, B., Smola, A. and Müller, K.R., 2005. Kernel principal component analysis. Lecture Notes in Computer Science, 1327, pp. 583-588.
17- Shiri, J., Kisi, O., Yoon, H., Lee, K.K. and Hossein Nazemi, A., 2013. Predicting groundwater level fluctuations with meteorological effect implications-A comparative study among soft computing techniques. Computers & Geosciences, 56, pp. 32-44.
18- Smola, A.J. and Schölkopf, B., 2004. Atutorial on support vector regression. Statistics and Computing, 14(199), pp.199-222.
19- Solgi, A., 2014. Stream flow forecasting using combined Neural Network Wavelet model and comparsion with Adaptive Neuro Fuzzy Inference System and Artificial Neural Network methods (Case Study Gamasyab River,Nahavand). MSc. Shahid Chamran University of Ahvaz, Iran, pp.1-164. (In Persian).
20- Sujay Raghavendra, N. and Paresh Chandra, D., 2014. Support vector machine applications in the field of hydrology: A review. Applied Soft Computing, 19, pp.372-386.
21- Suryanarayana, C., Sudheer, C., Mahammood, V. and Panigrahi, B.K., 2014. An integrated wavelet-support vector machine for groundwater level prediction in Visakhapatnam, India. Neurocomputing, 145, pp.324-335.
22- Wang, W. and Ding, J., 2003. Wavelet Network Model and Its Application to the Prediction of Hydrology. Natureand Science, 1(1), pp. 67-71. | ||
آمار تعداد مشاهده مقاله: 793 تعداد دریافت فایل اصل مقاله: 1,373 |