مقاله مقایسه عملکرد روشهای ماشین بردار پشتیبان و شبکه های بیزین در پیش بینی جریان روزانه رودخانه (مطالعه موردی: رودخانه باراندوزچای )

word قابل ویرایش
21 صفحه
دسته : اطلاعیه ها
12700 تومان
127,000 ریال – خرید و دانلود

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

مقایسه عملکرد روشهای ماشین بردار پشتیبان و شبکه های بیزین در پیش بینی جریان روزانه رودخانه (مطالعه موردی: رودخانه باراندوزچای )
چکیده
سابقه و هدف: از آنجا که پیش بینی جریان رودخانه ها در مهندسی منابع آب از اهمیت ویژهای برخوردار است ، پژوهشگران متعددی در دهه های اخیر روشهای مختلفی را در این زمینه به کار برده و مورد بررسی قرار دادهاند.
همچنین با توسعه و گسترش روشهای هوش مصنوعی از یک دهه قبل به این سو، امکان کشف و آشکارسازی بهتر ارتباطات بین متغیرهای مختلف هیدرولوژیکی به طور چشم گیری میسر گردیده است . ماشین بردار پشتیبان و شبکه های بیزین از جمله روشهای نوینی هستند که در زمینه پیش بینی جریان رودخانه در سالهای اخیر به کار گرفته شدهاند.
مواد و روشها: در این مطالعه ، به منظور پیش بینی جریان رودخانه باراندوزچای از دو روش ماشین بردار پشتیبان (SVM) و شبکه های بیزین (BNs) استفاده شد. ماشین بردار پشتیبان یکی از روشهای یادگیری تحت نظارت است که هم برای دسته بندی و هم رگرسیون قابل استفاده است . در سالهای اخیر سیستم های پشتیبانی تصمیم ، جهت جمع آوری و یکپارچه سازی بهترین دانش و اطلاعات برای اتخاذ مناسب ترین تصمیم گیری، در سطح وسیعی از علوم گسترش یافته است که مدل شبکه تصمیم گیری بیزین یکی از انواع مختلف سیستم های پشتیبانی تصمیم است . شبکه تصمیم گیری بیزین ، روشی سودمند است که می تواند اطلاعات و دادههای کمی را به خوبی با دانش کیفی کارشناسی همسو نماید.
یافته ها: دادههای جریان روزانه این رودخانه در محل ایستگاه آبسنجی دیزج در خلال سالهای ١٣٨۵ تا ١٣٨٩ برای ایجاد مدل استفاده شد که ٨٠ درصد دادهها برای آموزش و ٢٠ درصد برای صحت سنجی مدل به کار رفت . همچنین نقش حافظه در کاهش یا افزایش دقت پیش بینی مورد بررسی قرار گرفت . جهت مدلسازی جریان رودخانه با مدلهای SVM و BNs از حافظه های دبی یک روز قبل ، دو روز قبل و … پنج روز قبل استفاده شد و نتایج براساس شاخص های آماری جذر میانگین مربعات خطا، ضریب همبستگی و معیار نش – ساتاکلیف مورد بررسی قرار گرفت .
بنابراین الگوهای ورودی متعددی به مدلها معرفی شد. در نهایت مشخص گردید که با افزایش حافظه ، دقت مدلسازی نیز افزایش مییابد به طوریکه بیش ترین دقت در الگوی سوم برای هر دو روش به دست میآید.

مقایسه نتایج دو مدل نشان داد که دقت روش ماشین بردار پشتیبان با و معیار نش – ساتاکلیف معادل با ٠.٩۴٩ نسبت به روش شبکه های بیزین با و معیار نش – ساتاکلیف برابر با ٠.٩٢١ بیش تر است .
نتیجه گیری: با دقت بیش تر در نتایج ارائه شده، میتوان نتیجه گرفت که عملکرد دو روش SVM و BNs از نظر تحلیل های آماری نزدیک به هم بوده، اما از نقطه نظر گرافیکی و تخمین دبیهای کمینه و بیشینه ، مشخص است که هر دو مدل در پیش بینی دبی بیشینه خطای بیش تری دارند اما در پیش بینی دبی متوسط و کمینه عملکرد مدل SVM به مراتب بهتر از مدل BNs میباشد.
واژههای کلیدی: شبکه های بیزین ، ماشین بردار پشتیبان، مدلسازی

مقدمه
از آنجا که پیش بینی جریان رودخانه ها در مهندسی منابع آب از اهمیت ویژهای برخوردار است ، پژوهشگران متعددی در دهه های اخیر روشهای مختلفی را در این زمینه به کار برده و مورد بررسی قرار دادهاند. روشهای پیش بینی رایج را به طور عمده میتوان به روشهای مبتنی بر سریهای زمانی، مدلهای رگرسیونی و مدلهای حوضه آبریز تقسیم بندی نمود (٢۴). در این بین ، روشهای سری زمانی از محدودیت بیش تری برخوردار بوده و در مجموع دقت کم تری در پیش بینی درازمدت جریان رودخانه دارند. از طرف دیگر، مدلهای حوضه آبریز که برای پیش بینی جریان استفاده میشوند بسیار پیچیده بوده و تهیه و تولید آنها نیازمند هزینه بسیار میباشد. با توجه به این که مدلهای رگرسیونی میتوانند ساختارهای ساده و پیچیدهای را شامل شوند اما اغلب به دلیل پیچیدگیهای موجود در فرآیند تبدیل بارش و برف به جریان رودخانه قادر به پیش بینی دقیق جریان به ویژه در فاصله های زمانی کوتاهمدت نمیباشند. از طرفی، کارایی مدلهای رگرسیونی به طور عمده مربوط به پیش بینیهای میانمدت بوده و در درازمدت علاوه بر دلایل ذکر شده با توجه به دخالت عوامل دیگر قادر به پیش بینی و یا حتی نشان دادن رابطه پارامترهای مختلف و جریان رودخانه نمیباشند (٢٣). از سویی دیگر با توسعه و گسترش روشهای هوش مصنوعی از یک دهه قبل به این سو، امکان کشف و آشکارسازی بهتر ارتباطات بین متغیرهای مختلف هیدرولوژیکی به طور چشم گیری میسر گردیده است . ماشین بردار پشتیبان ١ و شبکه های بیزین ٢ ازجمله روشهای نوینی هستند که در زمینه پیش بینی جریان رودخانه در سالهای اخیر به کار گرفته شدهاند.
ماشین بردار پشتیبان یکی از روشهای یادگیری تحت نظارت ٣ است که هم برای دسته بندی و هم رگرسیون قابل استفاده است . این روش توسط وپنیک (١٩٩٨) بر پایه تئوری یادگیری آماری ۴ بنا نهاده شده است (٢۵). ماشین بردار پشتیبان روشی برای طبقه بندی دوتایی در فضای ویژگیهای دلخواه است و از این رو روشی مناسب برای مسائل پیش بینی به شمار میرود (١٨). ماشین بردار پشتیبان در اصل یک دسته بندیکننده دو کلاسه است که کلاسها را توسط یک مرز خطی از هم جدا میکند. در این روش نزدیک ترین نمونه ها به مرز تصمیم گیری را بردارهای پشتیبان مینامند. این بردارها معادله مرز تصمیم گیری را مشخص میکنند. الگوریتم های شبیه سازی هوشمند کلاسیک مانند شبکه های عصبی مصنوعی، معمولا قدرمطلق خطا یا مجموع مربعات خظای دادههای آموزشی را حداقل میکنند، ولی مدلهای SVM، اصل حداقل سازی خطای ساختاری را به کار میگیرند (٩). اخیرا این مدلها در گستره وسیعی از مسایل هیدرولوژیکی و به ویژه پیش بینی جریان رودخانه ها به کار رفته اند. نیکبخت شهبازی (٢٠٠٨) از مدل ماشین بردار پشتیبان سریهای زمانی و دادههای رودخانه های کشف رود (ایستگاه آق دربند) و هریرود (ایستگاه پل خاتون) در یک دوره ۴۵ ساله (١٣٣٠ تا ١٣٧۴) جهت تولید جریان استفاده کردند. نتایج نشان داد که ماشین بردار پشتیبان در حفظ توام خواص ماهیانه و سالیانه جریان بسیار خوب عمل میکند.
مقایسه نتایج حاصل با مدل HEC4، نشان داد که مدل بردار پشتیبان روشی بسیار بهتر و دقیق تر در تولید جریان مصنوعی بوده و عملکردی به مراتب بهتر از خود نشان می دهد (١٧). یو و همکاران (٢٠٠۵) از روش ماشین بردار پشتیبان برای پیش بینی سیلاب ساعتی رودخانه لان یانگ در کشور تایوان استفاده کردند. نتایج نشان داد که این روش برای پیش بینی سیلاب یک ساعت آینده از دقت بالایی برخوردار بود (٢۶). در مطالعه ای دیگر، یو و چن (٢٠٠۶) از روش ماشین بردار پشتیبان جهت پیش بینی سیل ساعتی رودخانه لان یانگ در تایوان استفاده نمودند. نتایج حاصل بیانگر دقت مناسب و قابل قبول روش مذکور در پیش بینی رویداد های سیل در ١ تا ۶ ساعت بعد داشت (٢٧). آداموفسکی و پراشر (٢٠١٢) برای ۱ پیش بینی جریان روزانه در حوضه کوهستانی سیانجی واقع در منطقه هیمالیای هندوستان از دو روش رگرسیون ماشین بردار پشتیبان و شبکه های موجک ٢ استفاده کردند. مقایسه نتایج نشان داد که گرچه هر دو روش از دقت خوبی در پیش بینی جریان روزانه برخوردار بودند، اما دقت روش شبکه های موجک اندکی بیش تر بود (١). چوبی و همکاران (٢٠١۴) از مدل SVM برای پیش بینی و دادهکاوری جریان ورودی به سد نارمادا٣ واقع در ایالت مادهایا پرادش ۴ هند استفاده کرده و نشان دادند که این روش از توانایی بسیار خوبی در مدلسازی و پیش بینی جریان میانمدت ماهانه برخوردار است (۵).
۵ در سالهای اخیر سیستم های پشتیبانی تصمیم ، جهت جمع آوری و یکپارچه سازی بهترین دانش و اطلاعات برای اتخاذ مناسب ترین تصمیم گیری، در سطح وسیعی از علوم گسترش یافته است که مدل شبکه تصمیم گیری بیزین یکی از انواع مختلف سیستم های پشتیبانی تصمیم است . شبکه تصمیم گیری بیزین ۶، روشی سودمند است که میتواند اطلاعات و دادههای کمی را به خوبی با دانش کیفی کارشناسی همسو نماید (٢).
از طرف دیگر این شبکه ها را میتوان به عنوان هوش مصنوعی نیز قلمداد کرد. تکنیک های مدلسازی بیزین دارای ویژگیهایی هستند که آنها را برای پرسش های تحلیلی و مدیریتی دادههای جهان واقعی، کاربردی و مفید ساخته اند (٢٠). امروزه این مدلهای احتمالاتی کاربرد وسیعی در علوم مربوط به محیط زیست و منابع آب پیدا کردهاند. برای مدل بیزین میتوان مزیت های زیر را بیان کرد:
١) در شبکه های بیزین جهت انجام تحلیل ، چیزی به عنوان اندازه حداقل برای دادههای نمونه وجود ندارد و این شبکه ها در محاسبات خود از تمامی دادههای موجود استفاده می کنند و حتی با وجود نمونه هایی با اندازههای نسبتا کوچک میتوان به پیش بینیهایی با دقت خوب دست یافت .
٢) به کارگیری و ترکیب منابع مختلف دادهها: از مهم ترین ویژگیهای شبکه بیزین ، استفاده از اطلاعات پیشین و اولیه راجع به موضوع مورد نظر میباشد.
سپس جهت کسب ترکیبی از دانش اولیه و دادههای جدید، این اطلاعات به وسیله دادهها به روز میشوند.
این تلفیق به دست آمده نیز میتواند به عنوان اطلاعات اولیه در یک مطالعه جدید مورد استفاده قرار گیرد. از دیگر امتیازات شبکه های بیزین این است که به راحتی در یک مسیر ریاضی، میتواند اطلاعات به دست آمده با درجه دقت و منابع مختلف را با هم ترکیب کرده و مورد استفاده قرار دهد. در این صورت دانش کارشناسی میتواند در خصوص متغیرهایی که داده لازم در مورد آنها موجود نیست ، با سایر اطلاعات در دسترس ترکیب شود (١۵). ٣) توان بالای شبکه های بیزین در نمایش تصویری متغیرها و روابط بین آنها در یک سیستم منجر به شناخت و درک بالاتری از سامانه میگردد (٢١).
رجینی و ویترز (٢٠٠٨) با کاربرد مدلهای بیزین و با در نظر گرفتن عدم قطعیت های موجود به پیش بینی تراز سطح آب در سیستم پیش بینی جریان رود راین پرداختند. با ترکیب یک تابع هزینه در مدل برای برآورد ارزش اقتصادی ارسال هشدار سیلاب، خسارت ناشی از هر تراز سطح آب پیش بینی شده را تعیین کرده و به این نتیجه رسیدند که به کمک این روش، با یک ریسک قابل قبول میتوان تصمیم گیری در شرایط عدم قطعیت را برای پیش بینی جریان رودخانه تسهیل نمود (٢٠). مددگر و مرادخانی (٢٠١۴) در مطالعه ای به پیش بینی تغییرات مکانی خشکسالی در حوضه آبریز رودخانه گانیسون در آمریکا پرداختند. بدین منظور برای پیش بینی رواناب حوضه و محاسبه خشکسالیهای آتی، از مدلهای بیزین استفاده شده بود. نتایج حاصل نشان داد که این مدلها در پیش بینی جریان رودخانه از توانایی بالایی برخوردار هستند (١٣).
با عنایت به موارد فوق میتوان دریافت که پیش بینی متغیرهای هیدرولوژیکی هم چون جریان رودخانه ها از دیرباز مورد توجه پژوهشگران امر بوده و بدین منظور روشهای متعددی از جمله مدلهای تجربی- نیمه تجربی، سریهای زمانی و مدلهای هوشمند توسعه یافته اند که در این میان مدلهای هوشمند با الهام گرفتن از طبیعت ، از عملکرد بهتری نسبت به سایر روشها برخوردار هستند. همچنین با توجه به بررسی منابع صورت گرفته مشاهده میشود که در منابع داخلی از مدلهای شبکه بیزین و ماشین بردار پشتیبان به صورت بسیار محدودی در پیش بینی متغیرهای هیدرولوژیکی استفاده شده است . بنابراین در این پژوهش سعی گردیده است که عملکرد دو مدل هوشمند BNs و SVM در پیش بینی جریان روزانه رودخانه باراندوزچای مورد بررسی و مقایسه قرار گیرد.
مواد و روشها
معرفی منطقه مورد مطالعه : در این مطالعه ، از دادههای دبی جریان روزانه ایستگاه هیدرومتری دیزج واقع بر رودخانه باراندوزچای ارومیه در دوره آماری
١٣٨۵ تا ١٣٨٩ استفاده گردید. مساحت حوضه باراندوزچای در ایستگاه هیدرومتری دیزج ۶۶٠.٧١ کیلومتر مربع است . این حوضه در شمالغرب کشور بین دریاچه ارومیه و مرز ایران و کشورهای عراق و ترکیه در موقعیت جغرافیایی ́۴۵°۴۴ تا ́١۴°۴۵ طول شرقی و ́٠۶°٣٧ تا ́٢٩°٣٧ عرض شمالی واقع شده است . طول آبراهه اصلی حوضه ٧۵ کیلومتر بوده و حداکثر و حداقل ارتفاع این حوضه به ترتیب ٣۵٠٠ و ١٢۵٠ متر از سطح آزاد دریاها میباشد. در جدول ١ مشخصات آماری ایستگاه هیدرومتری دیزج آورده شده است . شکل ١ نیز حوضه آبریز باراندوزچای و موقعیت ایستگاه هیدرومتری دیزج را نشان میدهد.
\

شبکه های بیزین : شبکه بیزین یک مدل گرافیکی احتمالاتی است که مجموعه ای از متغیرها و احتمالات مربوط به هر کدام را نشان میدهد. این شبکه یک گراف مستقیم و غیرچرخه ای است که در آن گرهها در حکم متغیرهای مسأله هستند. شبکه های بیزین محدودیتی در نمایاندن متغیرهای تصادفی ندارند.
ساختار یک شبکه بیزین در واقع یک نمایش گرافیکی از اثرات متقابل متغیرهایی است که باید مدل شوند و علاوه بر این که کیفیت رابطه بین متغیرهای مسأله را نشان میدهد، کمیت ارتباط بین این متغیرها را نیز به نمایش میگذارد که به صورت عددی از توزیع احتمال مشترک آنها استفاده میکند (٧). این روش بر مبنای محاسبات احتمالات وابسته یا قانون بیز میباشد (رابطه ١). یک شبکه بیزی را میتوان این گونه تعریف کرد: تعدادی گره که نشاندهنده آن دسته از متغیرهای تصادفی هستند که با یکدیگر در تعامل میباشند. این برهم کنش ، به وسیله ایجاد ارتباط بین گرهها ایجاد میشود (٣).

که در آن، احتمال وقوع پیشامد احتمال وقوع پیشامد احتمال وقوع پیشامد b به شرطی که a اتفاق افتاده باشد و احتمال وقوع پیشامد a به شرطی که b اتفاق افتاده باشد، هستند.
متغیرهایی که در مسایل زیست محیطی و منابع آب به کار میروند، میتوانند کیفی یا کمی باشند. تعیین تعداد مناسبی از متغیرها در یک مسأله مدلسازی از مسایل چالش برانگیزی است که باید با دقت به آن پرداخته شود. قانون احتمالات اعمال شده نیز باید بر مبنای بهترین یافته های موجود یا اطلاعات کمی و کیفی بین متغیرها باشد. پیشنهادها و تصمیم هایی که برای اجرا ارائه میشوند، بر اساس حداکثر سود پیش بینی شده است (١۵). هر شبکه بیزین از سه جزء اصلی تشکیل شده است :
١) مجموعه ای از گرهها که در واقع متغیرهای سیستم مدیریتی هستند. این گرهها میتوانند متغیرهای پیوسته یا ناپیوسته ، اعداد ثابت و یا توابع پیوسته باشند. هر گره به چند طبقه یا کلاس تقسیم میشود. در حالت کلی گرهها یا والد هستند یا ولد (فرزند). یک گره ولد میتواند از چندین والد تولید شده باشد (١۴)
٢) مجموعه ای از بندها: روابط سببی بین متغیرها به وسیله بندها به وجود میآیند (٢١) این روابط به وسیله پیکان نمایش داده میشوند. گرهها به وسیله پیکانها به هم مربوط میشوند. عدم وجود پیکان بین گرهها، بیانگر استقلال متغیرها میباشد (١٩). گرههایی که هیچ پیکانی به آنها وارد نشده است ، گرههای والد ورودی هستند. گرهی که پیکان به آن وارد و از آن خارج میشود، بیانگر گره ولد وضعیت میباشند و گرههایی که از آنها هیچ پیکانی خارج نمیشود، نشاندهنده گرههای ولد خروجی میباشند. منظور منطقی پیکانی که از سمت متغیر x به سمت متغیر y میرود، این است که متغیر x اثر مستقیمی بر متغیر y دارد. مثلا دما اثر مستقیم بر تبخیر و تعرق میگذارد
.(۱۹)
٣) مجموعه ای از احتمالات: هر کدام برای متغیر شرایط تصمیمی را مشخص میکند که این شرایط از طریق متغیرهایی که مستقیما آن را تحت تأثیر قرار میدهند (والدین آن)، به آن نسبت داده میشوند (٣).
گرههایی که قبل از آنها گره دیگری در گراف وجود دارد با توزیع احتمالی شرطی تعریف میشوند و در غیر این صورت، با احتمال آغازین (اولیه ) بیان میشوند. احتمال شرطی، احتمال میزان تأثیر یک گره ورودی به یک گره مفروض در شبکه را به دست میدهد و احتمال آغازین بیانگر میزان احتمال قرارگیری یک متغیر ورودی در یک کلاس معین میباشد و از طریق اطلاعات اولیه موجود راجع به متغیرها به دست میآید. احتمالات مربوط به پایین ترین بخش در شبکه بیزین از طریق قانون احتمال کل به دست میآید و احتمالات مرتبط با بخش های بالایی شبکه ، براساس قانون بیز هستند. در حالت کلی، اگر گره x دارای والد نباشد گره غیرمشروط و در غیر این صورت گره مشروط میباشد (١٢).
ماشین های بردار پشتیبان: در یک مدل رگرسیونی
SVM لازم است وابستگی تابعی متغیر وابسته y به مجموعه ای از متغیرهای مستقل x تخمین زده شود.
فرض بر این است که مانند دیگر مسایل رگرسیونی، رابطه بین متغیرهای وابسته و مستقل توسط یک تابع معین f به علاوه یک مقدار اضافی نویز (Noise) مشخص میشود.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 21 صفحه
127,000 ریال – خرید و دانلود
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد