چکیده:
تعیین بار رسوبی معلق رودخانهها یکی از پروژههای مهم مهندسی رودخانه میباشد. پیشبینی بار رسوبی معلق کمک شایانی در زمینه مدیریت منابع آبی خواهد نمود. سوال اصلی در این تحقیق بررسی نقش انواع دادههای روزانه، ماهانه و سالانه در برآورد بار رسوبی با استفاده از مدلهای مبتنی بر یادگیری ماشین است. بدین منظور از آمار بار معلق در سه مقیاس زمانی روزانه، ماهانه و سالانه ایستگاه هیدرومتری اوهایو واقع در ایالات متحده آمریکا در فاصله سالهای 1992 تا 2014 استفاده گردید. با هدف انتخاب مناسبترین مدل، مدلهای شبکه عصبی مصنوعی پس انتشار خطا و تابع پایهی شعاعی، رگرسیون خطی، k نزدیکترین همسایه، درخت تصمیم M5، فرآیند گوسی، ماشینبردار پشتیبان و ماشینبردار پشتیبان تکاملی اجرا و مورد ارزیابی قرار گرفتند. نتایج حاصل از این تـحقیق نشان داد که بـرای دادههای روزانه، مـدل k نزدیکترین همسایـه با 28/5=RMSE؛ برای دادههای ماهانه مدل فرآیند گوسی با 7/8=RMSE و برای دادههای سالانه مدل فرآیند گوسی با مقدار7/2=RMSE مناسبترین مدل جهت پیشبینی بار رسوبی معلق بودهاند. همچنین مقایسه مقادیر ارزیابی مدلها حاکی از آن است که پیشبینی دادههای سالانه نسبت به ماهانه و روزانه از دقت بیشتری برخوردار هستند
خلاصه ماشینی:
, 3- Rasouli & Cannon 4- Bhattacharya & and Solomatine 5- Kumar et al.
بدین ترتیب که مجموعه ی دادههای دبی روزانه ، ماهانه و 1- Huang & Chang سالانه به عنوان ورودی مدل به نرمافزار رپید ماینر وارد شد و سپس مقادیر بار رسوبی معلق در هر یک از بازههای زمانی برآورد گردید.
((رجوع شود به تصویر صفحه) شکل (٢) نمودار پراکندگی مقادیر مشاهده شده و پیش بینی شده بار رسوب معلق روزانه : توسط مدلهای الف : شبکه عصبی مصنوعی پس انتشار خطا، ب: شبکه ی عصبی تابع پایه ی شعاعی ، ج: رگرسیون خطی ، د: k نزدیکترین همسایه (رجوع شود به تصویر صفحه) نتایج اعمال مدلها بر روی سری زمانی ماهانه نیز نشان داد که مدل فرآیند گوسی با مقدار٧/٨= RMSE و ٠٩١=R و K نزدیکترین همسایه با مقدار با مقدار ١/=RMSE٨ و ٠٩١=R دارای بیشترین دقت در پیش بینی بار رسوب معلق ماهانه می باشد.
(رجوع شود به تصویر صفحه) MODEL GP M5 SVM ESVM RMSE 7/2 4/5 4/6 16/4 r 0/93 0/76 0/76 0/60 شکل (٧) نمودار پراکندگی مقادیر مشاهده شده و پیش بینی شده بار رسوب معلق ماهانه : توسط مدلهای الف : فرآیند گوسی ، ب: درخت تصمیم M٥، ج: ماشین بردار پشتیبان، د: ماشین بردار پشتیبان تکاملی بررسی مقادیر شاخص های ارزیابی در هر سه سری مجموعه دادهها بیانگر آنست که میزان دقت مدلها در پیش بینی دادههای سالانه بیش تر بوده و در سری دادههای روزانه مدلها از دقت کمتری برخوردار بودهاند.
, (2013), "Daily Suspended Sediment Load Prediction Using Artificial Neural Networks and Support Vector Machines", Journal of Hydrology, 478, pp.