عنوان

مدل‌سازی زمانی- مکانی بارش با استفاده از رویکرد مبتنی بر شبکه عصبی مصنوعی و الگوریتم بهینه سازی گورکن عسل خوار

شماره

پ۲۹۵۶۴

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

مدل‌سازی زمانی- مکانی بارش با استفاده از رویکرد مبتنی بر شبکه عصبی مصنوعی و الگوریتم بهینه سازی گورکن عسل خوار

نام نخستين پديدآور

کیمیا زهساز

نام ناشر، پخش کننده و غيره

کشاورزی

تاریخ نشرو بخش و غیره

۱۴۰۲

نام خاص و کميت اثر

۸۰ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

علوم و مهندسی آب – منابع آب

زمان اعطا مدرک

۱۴۰۲/۰۷/۱۶

متن يادداشت

مدل‌سازی و برآورد بارندگی یکی از مسائل مهم و اساسی در زمینه هیدرولوژی است. به منظور کاهش خطا در زمینه مدل‌سازی از الگوریتم‌های جدید و متنوعی که در علوم مهندسی و کامپیوتر ارائه شده‌اند استفاده می‌شوند. این موضوع در هیدرولوژی بسیار کارآمد است. این الگوریتم‌ها به منظور دستیابی به یک جواب بهینه به تعداد کمی تکرار نیاز دارند و همین امر موجب افزایش سرعت در رسیدن به نتایج مورد نظر می‌شود. در این پژوهش از دو مدل شبکه عصبی مصنوعی و الگوریتم هیبریدی شبکه عصبی مصنوعی و گورکن عسل‌خوار (HBA-ANN) به منظور مدل‌سازی زمانی و مکانی بارش استان آذربایجان شرقی طی بازه زمانی 1996-2022 استفاده شد. بدین منظور، در مرحله اول از گام‌های تاخیر زمانی یک ماهه و دو ماهه بارش به عنوان پارامتر ورودی در مدل‌سازی زمانی و در مرحله دوم از پارامترهای طول جغرافیایی، عرض جغرافیایی و ارتفاع جغرافیایی به عنوان پارامتر ورودی در مدل‌سازی مکانی استفاده شد. جهت بررسی عملکرد تکنیک‌های مورد استفاده در تحقیق از 3 شاخص آماری RMSE، R و NSE استفاده شد. علاوه بر این به منظور برآورد بارش در مناطقی از استان که فاقد ایستگاه باران‌سنجی می‌باشند از روی داده‌های ایستگاه‌های موجود، از روش‌های درون‌یابی هم‌باران و پولیگون تیسن استفاده شد. درنهایت طبق نتایج به دست‌آمده از هر 2 مدل در مدل‌سازی زمانی مدل هیبریدی HBA-ANN عملکرد بهتری نسبت به مدل شبکه عصبی مصنوعی از خود نشان داد. هم‌چنین باتوجه به نتایج مدل هیبریدی، ایستگاه مراغه با R برابر با 0.95، RMSE برابر با 1.47 میلی‌متر و NSE برابر با 0.85 و ایستگاه مرند با R برابر با 0.93 و RMSE برابر با 2.15 میلی‌متر و NSE برابر با 0.84 و ایستگاه هریس با R برابر با 0.94 و RMSE برابر با 2.7 میلی‌متر و NSE برابر با 0.79 در مرحله آزمون به عنوان 3 ایستگاه برتر، عملکرد بهتر نسبت به سایر ایستگاه‌ها ارائه داد. براساس نتایج به دست‌آمده از مدل‌سازی مکانی بارش، مدل هیبریدی با R برابر با 0.95، RMSE برابر با 1.22 میلی‌متر و NSE برابر با 0.96 دقت قابل توجهی در بخش آزمون از خود نشان داد و مجددا به عنوان مدل پیشنهادی انتخاب می‌شود.

متن يادداشت

Abstract:Modeling and estimating precipitation is one of the important and fundamental issues in the field of hydrology. In order to reduce errors in modelling, various new algorithms that have been proposed in engineering and computer science are used. This topic is very effective in hydrology. These algorithms require a small number of iterations to achieve an optimal solution, which increases the speed of reaching the desired results. In this research, two models, namely Artificial Neural Network (ANN) and hybrid algorithm of Artificial Neural Network and Honey Badger Optimization Algorithm, were used to model the temporal and spatial precipitation in East Azarbaijan province during the time period of 1996-2022. For this purpose, in the first stage, one-month and two-month precipitation delay steps were used as input parameters in temporal modeling, and in the second stage, longitude, latitude, and altitude parameters were used as input parameters in spatial modeling. In order to check the performance of the techniques used in the research, 3 statistical indices RMSE, R and NSE were used. In addition, in order to estimate the precipitation in the areas of the province that do not have rain gauge stations, from the data of the available stations, interpolation methods of isohyte and thiessen polygon were used. Finally, according to the results obtained from both models, the HBA-ANN hybrid model performed better than the artificial neural network model in temporal modeling. Also, according to the results of the hybrid model, Maragheh station with R equal to 0.95, RMSE equal to 1.47 mm and NSE equal to 0.85 and Marand station with R equal to 0.93 and RMSE equal to 2.15 mm and NSE equal to 0.84 and Herris station with R equal to with 0.94 and RMSE equal to 2.7 mm and NSE equal to 0.79 in the test section as the top 3 stations, provided better performance than other stations. Based on the results obtained from the spatial modeling of precipitation, the hybrid model with R equal to 0.95, RMSE equal to 1.22 mm and NSE equal to 0.96 showed significant accuracy in the test section and is again selected as the proposed model.

عنوان گونه گون

Temporal – spatial Modeling of Precipitation Using an Approach Based on Artificial Neural Network and Honey Badger Optimization Algorithm

عنصر شناسه اي

‏زهساز،

ساير عناصر نام

‏کیمیا

کد نقش

تهیه کننده

عنصر شناسه اي

‏قربانی،

عنصر شناسه اي

دربندی،

ساير عناصر نام

‏محمد علی

ساير عناصر نام

‏ صابره

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏ تبریز