ارزیابی و عملکرد مدل ماشین بردار پشتیبان در تخمین رسوبات معلق رودخانه ها

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه مهندسی آب، دانشگاه لرستان، ایران

2 مهندسی منابع آب- دانشگاه تبریز

چکیده

همواره پدیده انتقال رسوب، بسیاری از سازه های رودخانه ای و سازه های عمرانی را تحت تأثیر قرار داده و عدم اطلاع از میزان دقیق آن خسارات بسیاری را موجب می شود .از این جهت دستیابی به روشی با دقت مناسب برای تخمین میزان بار رسوبی معلق رودخانه ها بسیار حایز اهمیت است. در این پژوهش جهت تخمین رسوبات رودخانه کاکارضا واقع در استان لرستان، از مدل ماشین بردار پشتیبان استفاده گردید و نتایج آن با برنامه ریزی بیان ژن مقایسه شد. پارامترهای دبی جریان، میزان مواد جامد محلول در آب و بارش بعنوان ورودی و پارامتر دبی رسوب بعنوان خروجی مدل در مقیاس زمانی ماهانه، طی دوره آماری (1373-1393) انتخاب شد. معیارهای ضریب همبستگی، جذر میانگین مربعات خطا و میانگین قدر مطلق خطا برای ارزیابی و نیز مقایسه عملکرد مدل ها مورد استفاده قرار گرفت. نتایج  حاصله نشان داد که  الگوهای ترکیبی توانسته با استفاده از دو  مدل هوشمند مورد بررسی، در تخمین میزان رسوب نتایج قابل قبولی ارائه نماید. لیکن از لحاظ دقت، مدل ماشین بردار پشتیبان با بیشترین ضریب همبستگی (867/0)، کمترین جذر میانگین مربعات خطا(ton/day024/0) و نیز میانگین قدر مطلق خطا (ton/day 017/0) در مرحله صحت سنجی در اولویت قرار گرفت. در مجموع نتایج حاصله نشان داد که مدل ماشین بردار پشتیبان توانایی بالایی در تخمین مقادیر حداقل  و  حداکثراز خود نشان داده است.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation and Performance of Support Vector Machine Model in Estimation of Suspended Sediment

نویسندگان [English]

  • Babak Shahi Nejad 1
  • Reza Dehghani 2
1 Assistant Professor of Water Engineering ,University of Lorestan, Khorramabad, Iran
چکیده [English]

Abstract
Sediment transport has been constantly influenced the river and civil structures and the lack of information about its exact amount causes high damages. Achieving to proper procedure is important to estimate the sediment load in rivers.This study used the support vector machine model to estimate the sediments of the Kakareza river placing on Lorestan Province and their results were compared with results obtained by gene expression programming. Parameters including river discharge, rate of dissolved solids and precipitation for time period (1993-2013) were monthly selected. Criteria including correlation coefficient, root mean square error and mean absolute error were used to evaluate and also compare the performance of models.The achieved results showed that combinational patterns using two intelligence models could be investigated and acceptable results were presented for sediment rats. With regards to accuracy, the support vector machine model showed the highest correlation coefficient (0.867), minimum root mean square error (0.024 ton/day) and the mean absolute error (0.017 ton/day) which was initiated at verification stage.Finally, the results showed that the support vector machine has been shown great capability to estimate the minimum and maximum values for sediment discharge.
 

کلیدواژه‌ها [English]

  • Keywords:Gene Expression Programming
  • Suspended Sediment
  • Kakareza River
  • Support Vector Machine

 

امامقلی زاده، ص. ر.کریمی دمنه. و خ. اژدری.1395. مقایسه ی روشهای متداول برآورد بار رسوب معلق رودخانه ی کرخه با روش برنامه ریزی بیان ژن. نشریه جغرافیا و توسعه، سال14، شماره45، ص122-140

آوریده، ف.م.، بنی حبیب . و ا. طاهرشمسی.1380. کاربرد شبکه های عصبی مصنوعی جهت تخمین دبی رسوب رودخانه ها. سومین کنفرانس هیدرولیک ایران، دانشگاه تهران، تهران.

ثانی خانی، ه.، م.نیک پور.. ر. فرسادی زاده، د. و م. م.  معیری.1394. پیش بینی بار معلق رودخانه با استفاده از سامانه های هوشمند. نشریه پژوهش آب ایران، سال9، شماره 2،ص 165-168

داننده مهر، ع.،ا. علیایی، و م. ع. قربانی. 1389 . پیش بینی بار معلق رودخانه ها بر مبنای دبی جریان با استفاده از برنامه ریزی ژنتیک. نشریه پژوهش های آبخیزداری، سال23، شماره3، ص44-54

دهقانی، ر.،م. قربانی، ع.، تشنه لب، م.، ریخته گر غیاثی، ا. و ا. اسدی.1394. مقایسه و ارزیابی مدل های شبکه عصبی بیزین، برنامه ریزی بیان ژن، ماشین بردار پشتیبان و رگرسیون خطی در تخمین بده جریان؛ مطالعه موردی حوضه صوفی چای. نشریه آبیاری و آب ایران،سال پنجم، شماره بیستم،ص 66-85

رجبی، م.،م. فیض اله پور،. و ش. روستایی. 1394. استفاده از مدل تبرید تدریجی عصبی (NDE) در تخمین بار معلق رسوبی و مقایسه‌ی آن با مدل ANFIS و RBF مطالعه موردی: رودخانه گیوی‌چای. نشریه جغرافیا و توسعه، جلد39 ، شماره 13، ص1-16

ستاری، م. ت.، رضازاده جودی، ع. صفدری، ف. و ف. قهرمانزاده.1395. اریابی عملکرد روش های مدل درختی M5 و رگرسیون بردار پشتیبان در مدل سازی رسوب معلق رودخانه. نشریه حفاظت منابع آب وخاک، سال6، شماره1، ص110-124  

قربانی، م. ع. و ا. صالحی. 1390. استفاده از برنامه ریزی بیان ژن در بررسی تغییرات داده های کیفی آب زیرزمینی با نوسانات سطح آب در دشت برخوردار اصفهان.ششمین کنگره ملی مهندسی عمران

Aytek, A., and O. Kisi. 2008. A Genetic Programming Approach to Suspended Sediment Modelling. Hydrology, 351: 288-298.

Basak, D., S. Pal,  and D. C. Patranabis. 2007. Support vector regression. Neural Inf. Process, 11: 203-225.

Buyukyildiz, M. and S. Y. Kumcu.Y.2017. An Estimation of the Suspended Sediment Load Using Adaptive Network Based Fuzzy Inference System, Support Vector Machine and Artificial Neural Network Models. Water Resources Management, 31(2):1-17

Chen S.T., and P. S. Yu. 2007. Real-time probabilistic forecasting of flood stages. Journal of Hydrology,340(2):63-77

Ferreira, C. 2001. Gene expression programming: a new adaptive algorithm for solving problems. Complex Systems, 13(2): 87–129.

Ghorbani, M.A.,  R. Khatibi, H. Asadi, and P. Yousefi. 2012. Inter- Comparison of an Evolutionary Programming Model of Suspended Sediment Time-series whit other Local Model. INTECH.doi. org/10.5772/47801,: 255-282.

Hamel,  L. 2009. Knowledge Discovery with Support Vector Machines, Hoboken, N.J. John Wiley.

Kakaei Lafdani, E., A. Moghaddam Nia, and A. Ahmadi. 2013. Daily suspended sediment load prediction using artificial neural networks and support vector machines, Hydrology, 478: 50-

Khatibi, R., L. Naghipour, M. A. Ghorbani, and M. T. Aalami. 2012.Predictability of relative humidity by two artificial intelligence techniques using noisy data from two Californian gauging stations. Neural computing and application, 23(7):.643-941.

Kisi, O., and A. Guven. 2010. A machine code-based genetic programming for suspended sediment concentration estimation. Advanced in Engineering Software, 41(7):939-945.

Kisi, O., and  J. Shiri. 2012. River suspended sediment estimation by climatic variables implication: Comparative study among soft computing techniques. Computers & Geosciences,43(4):73-82

Kisi, O., M. Karahan, and Z. Sen. 2006. River suspended sediment modeling using fuzzy logic approach".Hydrol Process, 20: 4351-4362.

Lin, J.Y., C. T. Cheng, and K. W. Chau.2006. Using support vector machines for long-term discharge prediction. Hydrolog Sci J, 51(3):599–612

Liong, S.Y., and C. Sivapragasam. 2002. Flood stage forecasting with support vector machines. J Am Water Resour, 38(4):173–186

Misra, D., T. Oommen, A. Agarwa, S. K. Mishra, and A. M. Thompson.2009. Application and analysis of support vector machine based simulation for runoff and sediment yield. Biosyst Eng,103(3): 527–535

Nagy, H., K. Watanabe, and M. Hirano. 2002. Prediction of sediment load concentration in rivers using artificial neural network model, Journal of Hydraulics Engineering,128: 558-559.

Nourani, V., F. Alizadeh, and K. Roushangar. 2016. Evaluation of a Two-Stage SVM and Spatial Statistics Methods for Modeling Monthly River Suspended Sediment Load. Water Resources Management,30(1):393-407

Vapnik, V.N. 1995. The Nature of Statistical Learning Theory. Springer, New York

Vapnik, V.N. 1998. Statistical learning theory. Wiley, New York

Vapnik, V., and A. Chervonenkis. 1991. The necessary and sufficient conditions for consistency in the empirical risk minimization method. Pattern Recognition and Image Analysis,1(3): 283-305.

Yoon, H., S. C. Jun, Y. Hyun, G. O. Bae, and K. K. Lee.2011. A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer. J Hydrol, 396(4):128–138