Home :: Academic Members :: News

view:17207   Last Update: 2019-10-22

Masoud Karbasi

Masoud Karbasi and Negin Mirmorsali
Prediction of sand rivers bed form using decision trees  
پیش‌بینی فرم بستر رودخانه‌های ماسه‌ای با استفاده از روش درخت تصمیم  
Abstract


سابقه و هدف: فرم بستر یا به عبارتی ناهمواری‌های بستر به شکل‌های مختلف در بستر رودخانه اطلاق می‌شود که در اثر حرکت جریان به وجود می‌آید و تأثیر مستقیم و مهمی روی زبری بستر و در نتیجه مقاومت در مقابل جریان و تأثیر روی پروفیل سطح آب را در پی دارد. از آن‌جا که محاسبات دبی- اشل رودخانه و سرعت جریان کاملاً تحت تأثیر زبری قرار دارد، لذا پیش‌بینی دقیق شکل بستر از اهمیت زیادی برخوردار است. به‌دلیل تأثیر پارامترهای مختلف در شکل‌گیری فرم بستر رودخانه‌ها، تعیین معادلات حاکم بر آن مشکل بوده و مدل‌های ریاضی نیز از دقت کافی برخوردار نیستند. امروزه استفاده از سیستم‌های هوش مصنوعی به‌عنوان راهکاری جدید در تحلیل مسائل آبی، گسترش یافته است. هدف این پژوهش، معرفی روشی است که با استفاده از آن بتوان فرم بستر رودخانه‌های ماسه‌ای را با دقت بالایی پیش‌بینی نمود. مواد و روش‌ها: در پژوهش حاضر، برای به‌دست آوردن نتایج بهتر و کاهش پراکندگی داده‌ها، داده‌ها به‌طور تصادفی به دو بخش آموزش (70 درصد) که شامل 1647 داده‌ی آزمایشگاهی و آزمون (30 درصد) که شامل 560 داده‌ی آزمایشگاهی است تقسیم شدند. روش‌ هوشمند درخت تصمیم‌ بر روی داده‌های بخش آزمون در محیط برنامه‌نویسی وکا کدنویسی شد و در نهایت با استفاده از الگوریتم‌های (Random Forest) و (Random Tree) واسنجی بر روی داده‌ها انجام گردید. سپس روش‌های تجربی وان‌راین، انگلند هانسن و سیمونز و ریچاردسون بر روی داده‌های بخش آزمون اجرا گردید. یافته‌ها: ارزیابی نتایج به‌دست آمده با استفاده از معیارهای آماری مجذور میانگین مربعات خطا (RMSE)، نرخ دسته‌بندی صحیح (CCI) و مساحت زیر منحنی (ROC Area) انجام شده است. نتایج نشان داد که الگوریتم(Random Forest) برای داده‌های آزمایشگاهی با معیارهای آماری 85%CCI= درصد، 17/0RMSE=، 97/0ROC= دارای بهترین عملکرد است. از سوی دیگر با بررسی نتایج روش‌های تجربی مشخص شد که برای داده‌های آزمایشگاهی، روش وان‌راین با نتایج %64CCI= درصد، 07/1RMSE= دارای عملکرد بهتری می‌باشد. بین متغیرهای مختلف محیطی دبی، عرض، عمق، شیب، قطر متوسط ذرات رسوبی و دما برای داده‌های آزمایشگاهی دارای بیشترین اهمیت در پیش‌بینی فرم‌های بستر بودند. نتیجه‌گیری: در این پژوهش برتری مدل‌های محاسباتی نرم در مدل‌سازی و پیش‌بینی فرم بستر مشهود بوده و مدل‌های اجرا شده در محیط وکا عملکرد بهتری داشتند. اصولاً از آن‌جا که در شکل‌گیری فرم بستر رودخانه‌ها، عوامل متعددی دخالت دارند و همچنین به‌دلیل ماهیت پیچیده‌ی آن، پیش‌بینی این پدیده بسیار دشوار و گاهی کم‌دقت است. از آن‌جا که روش‌های هوش مصنوعی برای تحلیل مسائلی به‌کار می‌روند که شناخت و توصیف صریح از ماهیت مسئله وجود ندارد، بنابراین بسیاری از مسائل مربوط به فرم‌های بستر را می‌توان با این روش‌ها حل نمود.

 

 

Copyright © 2020, University of Zanjan, Zanjan, Iran
master[at]znu.ac.ir