بخشی از مقاله
چکیده
برآورد میزان رسوب جریان، طیف کاربردی وسیعی دارد، به گونهای که از سالها پیش محققین تلاشهای زیادی را برای برآورد صحیح حجم رسوب معلق انجام دادهاند و روابطی را به دست آوردهاند که منجر به پیشبرد این علم گشته است. اما در اغلب روشهای موجود علاوه بر وجود پارامترهای مختلفی که در اکثر رودخانهها اندازهگیری نمیشوند، نیاز به حل معادلات پیچیده ریاضی نیز میباشد بنابراین به علت عدم دستیابی به اطلاعات کامل و دقیق پارامترهای تاثیرگذار در فرایند رسوب و ساختار کاملا غیرخطی آن نمی توان برای الگوبندی آن مدلی جامع معرفی کرد. در این مطالعه ارزیابی عملکرد روش رگرسیون بردار پشتیبان، برای پیشبینی بار رسوب رودخانه سیستان ارزیابی شد.
مدل-های مورد بررسی بر اساس 1683 وقوع همزمان ثبت شده دبی جریان، دبی رسوب و دمای هوا طراحی شدهاند. جهت ارزیابی عملکرد مدل از فاکتورهای جذر میانگین مربعات خطا و ضریب تبیین کمک گرفته شد. بهترین نتایج پیشبینی مربوط به مدلی با مقادیر ضریب تبیین 0/97 و خطای 0/003برای دادههای آموزش و ضریب تبیین 0.94و خطای 0.006 برای دادههای تست بوده است. نتایج این تحقیق نشان داد که رگرسیون بردار پشتیبان به خوبی آموزشپذیر است و کارایی بالایی جهت تخمین بار رسوبی رودخانه سیستان دارد.
.1 مقدمه
پدیدههای فرسایش و انتقال رسوب در رودخانهها یکی از مهمترین و پیچیدهترین مسائل مهندسی رودخانه میباشد. از طرفی شبیهسازی و ارزیابی آورد رسوب رودخانه از جمله یکی از مسائل مهم و کاربردی در حوزهی علوم و مهندسی آب میباشد به گونهای که محققان روشهای متفاوتی را برای این امر در مقالات مختلف ارایه نموده و بکار گرفتهاند - . - 3 این روشها عمدتا شامل تکنیکهای رگرسیونی، مدلهای مفهومی و روشهای پیچیدهتر بر پایهی شبکه عصبی مصنوعی نروفازی و اخیرا مدلهای ماشین بردار پشتیبان است.
ساختار SVM توسط وپتیک که یک ریاضیدان روسی در دهه 1960 بود، ارایه شد. مدل های SVM بر پایه تئوری آموزش احتمال قرار دارند، یک کلاس جدید از مدلهایی هستند که به منظور طبقهبندی و پیشبینی در علوم مختلف استفاده میشوند. اخیرا این مدلها در یک گستره وسیع از مسایل هیدرولوژیکی مورد استفاده قرار گرفتند. در تحقیق مذکور با استفاده از روش رگرسیون بردار پشتیبان داده های رسوب به صورت روزانه پیشبینی گردید، که نتایج رضایت بخش گزارش شد - . - 7
ولی و همکاران - - 1388، بیان داشت که ماشینهای بردار پشتیبان برای دادههایی با ابعاد بالا به خوبی جوابگو میباشد. و اینکه در مدلی را انتخاب میکند که بین میزان خطای تجربی و تقریب یک حالت بهینه را انتخاب می-کند - . - 7 نیکبخت شهبازی و همکاران - - 1391، برای پیشبینی فصلی خشکسالی هواشناسی از روشهای رگرسیون بردار پشتیبان استفاده کردند و نتیجه گرفت، این روش برای پیشبینی رفتارهای غیرخطی دادههای هواشناسی با طول دوره آماری کوتاه مدت مناسب میباشد - . - 7 کاکاییلافدانی و همکاران - - 2013 از مدلهای شبکه عصبی مصنوعی و ماشینهای رگرسیون بردار پشتیبان برای شبیه سازی بار رسوبی روزانه رودخانه ای واقع در قسمت غرب ایران استفاده کردند، نتایج حاکی از آن بود که مدل ترکیبی BFGS-ANN بهترین عملکرد را خواهد داشت
- . - 11 سلیکماز و تورکسن - 2007 - از روش ماشینهای بردار پشتیبان برای تعیین توابع فازی استفاده شد نتایج نشان داد که این روش راهی امکان پذیر و پایدار برای مسائل رگرسیونی است و عملکرد بسیار بالاتر از روشهای آماری معمول را دارد - . - 10 آسفا و همکاران - - 2006 در تحقیقی برای مدیریت منابع آب با کمک روش بردارهای پشتیبان بیان داشتند به علت وجود شرایط مرسر در توابع کرنل، مسائل بهینه سازی مربوطه همگرا بوده، بنابراین مشکل نقطه کمینهی محلی وجود ندارد. نتایج بدست آمده از مدلها نشان دادند که این روش عملکرد مناسبی در حل مسائل مکانی و لحظه ای در مدیریت منابع آب دارد - . - 8 پارتل و همکاران - 2008 - ، سیمین - - 2008، کیسی - 2004 - ، کیسی و همکاران - - 2008، زو و همکاران - - 2007 مدلهای زیادی را جهت پیشبینی بار رسوبی با کمک روشهای هوشمند از جمله رگرسیون بردار پشتیبان و شبکه عصبی را مورد مطالعه قرار دادند. نتایج تحقیقات آنها حاکی از کارایی بالای این روشها برای پیش-بینی بار رسوبی رودخانه بوده است.
.2 مواد و روشها
.1.2 منطقه مورد مطالعه
رودخانه سیستان یکی از دو شاخه اصلی منشعب از رودخانه هیرمند، در جنوب شرق کشور و در دشت سیستان واقع میباشد. این رودخانه وظیفه آبیاری 70 درصد از اراضی کشاورزی دشت سیستان را به عهده دارد. وجود حدود 1000 کیلومتر از طول رودخانه هیرمند در خاک افغانستان باعث گردیده تا شرایط جریان رودخانه هیرمند از خارج مرزهای جغرافیایی کشور و توسط دولت افغانستان تحمیل گردد - . - 2 اطلاعات دبی جریان، دبی رسوب، دمای حداکثرو دمای حداقل در این تحقیق مورد استفاده قرار گرفت. لذا در این مطالعه، اطلاعات ذکر شده مربوط به دبی رسوب با یک تاخیر زمانی و دبی کلاسه بندی شده ی رسوب، به عنوان گزینههای ورودی مدلها برای پیشبینی دبی روزانه رسوب مورد استفاده قرار گرفت. ابتدا دادههای آماری به دو گروه آموزش و آزمون تقسیم شدند. تعداد 1179 از دادهها برای آموزش یا یادگیری و تعداد 504 باقیمانده برای آزمون یا صحت سنجی مدلها اختصاص یافت.
.2.2 رگرسیون بردار پشتیبان
برای ماشین بردار پشتیبان پیادهسازیهای گوناگونی در طول سالیان اخیر تهیه شده است. اغلب این نرمافزارها در محیطهای دانشگاهی طراحی و پیادهسازی شدهاند. نرم افزاری که برای استفاده در این پژوهش انتخاب شده است، نرم افزار Libsvm است. این نرم افزار در حقیقت با هدف طراحی یک کتابخانه برای انجام عملیات یادگیری و استفاده از ماشین پشتیبان طراحی شده است. این نرم افزار و به عبارتی کتابخانه در اصل با استفاده از زبان C++ طراحی شده است، اگرچه در حال با استفاده از زبان Java نیز پیاده سازی شده است و همچنین روابط گوناگونی برای استفاده از محیط و زبانهای مختلف از جمله Matlab وجود دارد.
نرمافزار Libsvm دو حالت کلی برای حل مسأله رگرسیونی دارد epsilon-SVR و.nu-SVR تفاوت این دو روش در چگونگی بیان مسأله به صورت یک مسأله بهینه سازی و همچنین پارامتر مورد تنظیم است. در این پژوهش مسأله برای هستههای مختلف در هر دو حالت مورد بررسی قرار گرفت . این نرمافزار چهار هسته مختلف را به صورت پیشفرض پشتیبانی میکند که این هستهها عبارتند از هستههای خطی، چند جملهای، RBF، . Sigmoid هسته خطی هیچ پارامتری ندارد، بنابراین تنها یک حالت اجرا دارد. هسته چند جملهای دارای دو پارامتر است. پارامتر اول درجه چند جملهای است و به ازای مقادیر 1،2،3،4باید مسأله حل شود.
برای پارامتر دوم نیز یک عدد ثابت جمع شونده است که دارای مقادیر 0،1+ و-1میباشد. هسته Rbf تنها یک پارامتر گاما دارد. برای این پارامتر یک بار مقدار پیشفرض 1/k وسپس مقادیر 1/k2 و 1 را نیز تست میکنیم. برای مقدار Sigmoid با توجه به مسایلی که معمولا از نظر همگرایی به جواب پیش میآید، تنها مقادیر پیشفرض یعنی مقدار ثابت 0 و 1/k جواب را بدست میآوریم - سایت - . یکی از سوالات اساسی در مدل سازی رواناب-رسوب انتخاب بهترین روش رگرسیونی و تابع کرنل و همچنین ایجاد یک ترکیب مناسب در شبکه بین پارامتر های c,g,p برای رسیدن به بهترین جواب با بیشترین دقت که دارای بالاترین ضریب همبستگی و کمترین خطا ی آموزش و آزمون است میباشد.
