Abstract:
ارتقاء اطلاعات کمی به بهبود پیش بینی پارامتر های برف کمک می کند. تاکنون تعاملات بین اندازهی پیکسل به صورت محدود بررسی شده است. هدف از این تحقیق، بررسی اثر قدرت تفکیک مکانی بر روی پیش بینی عمق برف از طریق آزمون تجربی روابط بین مدل های رقومی ارتفاع و پارامترهای موثر در مدل سازی عمق معادل برف با قدرت تفکیک مختلف و با استفاده از مدل رگرسیون چندمتغیره می باشد. به همین منظور ابتدا با استفاده از روش هایپرکیوب محل 100 نقطه مشخص و طی یک عملیات صحرایی داده های عمق برف در نقاط مورد نظر و همچنین در 195 نقطه دیگر به صورت سیستماتیک و با نمونه بردار مدل فدرال برداشت گردید.. سپس یک مدل رقومی ارتفاع 10 متری به عنوان مبنا انتخاب گردید و از مدل رقومی ارتفاع مبنا تعداد 25 پارامتر مرفومتری استخراج و به عنوان ورودی شبکهی عصبی انـتخاب و با استفاده از آنالیز حساسیت مهم ترین پارامترهای تاثـیرگذار در مدل سازی عـمق برف مشخص شد. در مرحلهی بعد با استفاده از مدل رقومی ارتفاع مبنا 9 مدل رقومی ارتفاعی با اندازهی پیکسل متفاوت استخراج گردید. سپس در ادامه پارامترهای موثر در عمق برف با استفاده از 10 مدل رقومی ارتفاع استخراج و بین آن ها و عمق برف نمونه برداری شده یک رابطهی رگرسیونی ایجاد و عمق برف محاسبه گردید. جهت ارزیابی دقت مدل ها از پارامترهای RMSE، NMSE، MSE و MAE استفاده و در نهایت مدل رقومی ارتفاع 150 متر با مقادیر به ترتیب 75/24، 350/0، 975/612 و 97/18 بهترین مدل رقومی ارتفاع جهت مدل سازی عمق برف انتخاب گردید. این مساله می تواند در کاهش هزینه ها و افزایش دقت برآورد عمق برف کمک بسیاری نماید.
Groundwater is the main supply of drinking and agriculture demands in Meshginshahr plain located on Northwest of Iran in the Province of Ardebil. The investigation of groundwater level fluctuations is necessary for effective groundwater management in this plain. For this purpose، artificial intelligence methods are interested due to high ability، cost effectiveness، needing less data، and fast running. This study presents a supervised committee fuzzy logic (SCFL) model to predict groundwater level at three piezometers in the study area. For implementing SCFL model، first fuzzy logic models such as Mamdani fuzzy logic (MFL)، Larsen fuzzy logic (LSL) and Sugeno fuzzy logic (SFL) were applied to predict groundwater level using precipitation، temperature، discharge of abstraction wells and groundwater level with one month lag data. Then a supervised committee fuzzy logic as a non-linear model was used to combine the outputs of individual fuzzy models to reap the advantages of all three models simultaneously. Three different criteria RMSE، MAE and R2 were used to assess the prediction efficiency and accuracy of models. Based on results، MAE values of SCFL model are 0.12، 0.04 and 0.03 for piezometer 1، 2، and 3 respectively for training step. It presents the superiority of SCFL model over the individual fuzzy models. Also SCFL model could reduce prediction RMSE to 6% for piezometer 1 and 8%، 14% for piezometers number 2 and 3 respectively.
Machine summary:
پیش بینی سطح آب زیر زمینی با استفاده از مدل منطق فازی مرکب نظارت شده (مطالعه ی موردی: دشت مشگین شهر) چکیده دشت مشگین شهر که در شمال غرب ایران در استان اردبیل قرار گرفته است از جمله مناطقی میباشد که عمده تقاضا برای آب شرب و کشاورزی از طریق آب زیرزمینی این محدوده تأمین میشود.
, 10- Muhammetoglu and Yardimci, 11- Tutmez and Hatipoglu 12- Kiurski-Milošević et al.
, 13- Ozbek and Pinder 14- Dixon 15- Uricchio 16- Gemitzi et al.
, 3- Calvo and Estrada 4- Mayilvaganan and Naidu 5- Bisht et al.
در این مطالعه ، به جای روش متوسط گیری ساده و وزنی از یک شبکه - ی عصبی مصنوعی به عنوان یک ترکیب کننده ی نظارت شده استفاده شده است (تیفور و همکاران ، ٢٠١٤: بر اساس مطالعات انجام گرفته در زمینه ی مدل های هوش مصنوعی مرکب (لیم ٤، ٢٠٠٥: ١٨٥؛ چن و لین ، ٢٠٠٦: ٤٨٧؛ کدخدایی و همکاران ، ٢٠٠٩: ٤٦٢ ؛کریم پولی و همکاران ، ٢٠١٠: ٢٢٨) میتوان اصول کلی آن را به صورت زیر توضیح داد: 1- simple ensemble averaging method 2- Naftaly 3- Chen and Lin 4- Lim با فرض وجود i سیستم پیش بینی N,....
]̨e امید ریاضی است و متوسط خطا برای هریک از سیستم های هوش مصنوعی به صورت رابطه ی ٢ محاسبه میشود: (رجوع شود به تصویر صفحه) بنابراین با توجه به روابط بالا روش های مرکب هوش مصنوعی از جمله مدل مرکب منطق فازی ارایه شده در این تحقیق از کارایی مدل های مختلف بهره گرفته و یک روش توسعه یافته در پیش بینی سطح آب زیرزمینی میباشد که نتایج بهتری نسبت به مدل های منفرد به کار رفته در این مطالعه به دست میدهد.