|
ارزیابی و مقایسه روش‌های یادگیری ماشین برای پیش‌بینی میزان شوری رودخانه کارون
|
هانی محبوبی*   ، محمد پیرایش ، یحیی جمور |
| دانشگاه شهید بهشتی |
|
|
چکیده: (332 مشاهده) |
بیشتر پهنه ایران دارای اقلیم گرم و خشک همراه با بارش اندک است. مهم‌ترین منابع آب مصرفی کشورمان آب‌های زیرزمینی و آب رودخانه می‌باشد. رودخانه‌ها در سال‌های کم بارش و خشک اخیر از حیث کنترل پارامترهای کیفی آب بیشتر موردتوجه قرارگرفته‌اند. در این راستا، شوری آب رودخانه یکی از مهم‌ترین پارامترهای کیفی است که بایست توجه ویژه‌ای به آن داشت. در این تحقیق تغییرات بلندمدت شوری رودخانه کارون مورد ارزیابی قرارگرفته و با روش‌های متنوع یادگیری ماشین ازجمله شبکه عصبی عمیق، جنگل تصادفی و تقویت گرادیان مضاعف به مدل‌سازی متوسط شوری رودخانه کارون در بازه زمانی 1380 تا 1395 پرداخته و در ادامه تا میانه سال 1397 به مدت 18 ماه پیش‌بینی متوسط شوری ارائه خواهد شد. پیش‌بینی‌های ارائه‌شده با داده‌های برداشت‌شده در بازه زمانی 18 ماه مقایسه شده و روش‌های مختلف به‌کاررفته در این تحقیق ازلحاظ دقت و کارایی مقایسه شد. نتایج نشان داده که اولاً در بازه زمانی مطالعه میزان متوسط ماهیانه شوری دررود کارون با نرخ تقریبی ppm/year 10 اضافه‌شده که این روند افزایشی برای اکوسیستم منطقه مخاطره‌آمیز خواهد بود. روش شبکه عصبی عمیق و جنگل تصادفی ازلحاظ دقت پیش‌بینی‌ها تاحدی شبیه هم عمل کرده و هر دو روش با تنظیم بهینه پارامترهای مؤثر خود توانستند متوسط شوری رودخانه را با دقت حدود ppm 170-180 پیش‌بینی کنند. روش جنگل تصادفی نسبت به شبکه عصبی عمیق در پیش‌بینی بلندمدت بهتر عمل می‌کند. اما روش تقویت گرادیان مضاعف نسبت به سایر روش‌ها موفق‌تر عمل کرده و دقت پیش‌بینی‌های ارائه‌شده با این روش ppm 150 بود که در مقایسه با جنگل تصادفی 13 درصد و در مقایسه با شبکه عصبی عمیق 18درصد کاهش خطای نسبی را نشان می‌دهد.
|
|
| واژه‌های کلیدی: شوری رودخانه، شبکه عصبی عمیق، جنگل تصادفی، تقویت گرادیان مضاعف |
|
|
متن کامل [PDF 1929 kb]
(15 دریافت)
|
نوع مطالعه: پژوهشي |
موضوع مقاله:
هیدروگرافی
دریافت: 1404/2/21 | پذیرش: 1404/5/7 | انتشار الکترونیک پیش از انتشار نهایی: 1404/5/14 | انتشار: 1404/6/9
|
|
|
|
|
|
|
| ارسال پیام به نویسنده مسئول |
|
|
