سعید فرزین؛ رضا حاجی آبادی؛ محمد حسین احمدی
چکیده
ماهیت دینامیکی پدیده‌های هیدرولوژیکی و نیز محدودیت دسترسی ابزارهای ریاضیاتی مناسب، سبب گشته که اکثر مطالعات پیشین در این زمینه، منجر به نگرشی تصادفی و احتمالاتی گردد. بررسی قطعی و یا تصادفی بودن فرآیند دینامیکی مقادیر تبخیر از سطح آب دریاچه‌ها، به منظور انتخاب روش مناسب شبیه‌سازی و بررسی قابلیت پیش‌بینی، موضوع مهم و بحث برانگیزی ...
بیشتر
ماهیت دینامیکی پدیده‌های هیدرولوژیکی و نیز محدودیت دسترسی ابزارهای ریاضیاتی مناسب، سبب گشته که اکثر مطالعات پیشین در این زمینه، منجر به نگرشی تصادفی و احتمالاتی گردد. بررسی قطعی و یا تصادفی بودن فرآیند دینامیکی مقادیر تبخیر از سطح آب دریاچه‌ها، به منظور انتخاب روش مناسب شبیه‌سازی و بررسی قابلیت پیش‌بینی، موضوع مهم و بحث برانگیزی است که در این تحقیق به آن پرداخته شده است. در این راستا، با توجه به قابلیت فراوان نظریه آشوب و مدل هوشمند شبکه عصبی در مطالعه رفتار سیستم‌های غیر‌خطی پویا مقادیر ماهانه تبخیر سطح آب دریاچه ارومیه در شمال‌غربی ایران، طی یک دوره آماری 40 ساله (1346-1386) با استفاده از مفاهیم این دو روش مورد بررسی و پیش‌بینی قرار گرفته است. نتایج بررسی شاخص‌های تعیین ماهیت آشوبناکی داده‌‌های تبخیر؛ نمای لیاپانوف مثبت و مقدار غیر‌صحیح شیب نمودار بعد همبستگی در مقابل شعاع همبستگی، همگی نشانگر رفتار کاملا آشوبناک سری زمانی تحت بررسی می‌باشد. نتایج صحت‌سنجی حاکی از دقت بالای نظریه آشوب و مدل شبکه عصبی مصنوعی- اندکی دقت بالاتر- می‌باشد به طوریکه میانگین خطای مطلق (MAE) و جذر میانگین مربعات خطا (RMSE) در شبکه عصبی مصنوعی نسبت به نظریه آشوب به ترتیب 51/2 و 25/2 میلی‌متر کاهش یافته‌اند. همچنین نتایج مربوط به ارتفاع تجمعی تبخیر در دوره صحت‌سنجی حاکی از برتری 8/3 درصدی شبکه عصبی مصنوعی نسبت به نظریه آشوب دارد.
رضا حاجی آبادی؛ سعید فرزین؛ یوسف حسن زاده
چکیده
یکی از دلایل پیچیدگی تخمین و پیش‌بینی پدیده‌های هیدرولوژیکی و به خصوص سری‌های زمانی وجود ویژگی‌هایی نظیر روند، نویز و نوسانات با فرکانس بالا در آن ها می‌باشد که با استفاده از پیش‌پردازش داده‌ها به وسیله نویززدایی و تبدیلات لگاریتمی، می‌توان برخی عوامل پنهان و تاثیرگذار در این پیچیدگی را شناسایی و حذف نمود و یا درک این ویژگی‌ها ...
بیشتر
یکی از دلایل پیچیدگی تخمین و پیش‌بینی پدیده‌های هیدرولوژیکی و به خصوص سری‌های زمانی وجود ویژگی‌هایی نظیر روند، نویز و نوسانات با فرکانس بالا در آن ها می‌باشد که با استفاده از پیش‌پردازش داده‌ها به وسیله نویززدایی و تبدیلات لگاریتمی، می‌توان برخی عوامل پنهان و تاثیرگذار در این پیچیدگی را شناسایی و حذف نمود و یا درک این ویژگی‌ها را برای مدل‌های پیش‌بینی ساده‌تر نمود. در این تحقیق با استفاده ازدو مدل هوشمند برنامه‌ریزی بیان ژن و شبکه عصبی مصنوعی تخمین بار رسوب معلق مورد بررسی قرار می‌گیرد، سپس میزان تاثیر دو رویکرد نویززدایی و تبدیلات لگاریتمی به عنوان پیش‌پردازشگر، در بهبود نتایج مورد ارزیابی و مقایسه قرار می‌گیرد. به منظور نویززدایی از تبدیلات موجک استفاده شده است. نتایج تحقیق نشان می‌دهد پس از نویززدایی، معیار نش-ساتکلیف در شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن به ترتیب 15/0 و 14/0 افزایش داشته و مقدار جذر میانگین مجذورات خطانیز در شبکه عصبی مصنوعی از 24/199 به 17/141 میلی‌گرم بر لیتر و در برنامه‌ریزی بیان ژن از 84/234 به 89/193 میلی‌گرم بر لیتر کاهش یافته است. تاثیر رویکرد تبدیلات لگاریتمی نیز در بهبود نتایج شبکه عصبی مصنوعی تا حدود زیادی مشابه با رویکرد نویززدایی می‌باشد. در حالی‌که در برنامه‌ریزی بیان ژن تاثیر نا‌مطلوب داشته و پس از تبدیلات لگاریتمی Ln و Log، معیار نش-ساتکلیف از 57/0 به ترتیب به 31/0 و 21/0 کاهش یافته است و مقدار جذر میانگین مجذورات خطا نیز از 84/234 میلی‌گرم بر لیتر به ترتیب به 41/298 میلی‌گرم بر لیتر و 72/318 میلی‌گرم بر لیتر افزایش یافته است.
