جستجوی مقالات مرتبط با کلیدواژه « شاخص استاندارد خشکسالی هیدرولوژیکی » در نشریات گروه « مهندسی آب »
تکرار جستجوی کلیدواژه «شاخص استاندارد خشکسالی هیدرولوژیکی» در نشریات گروه «فنی و مهندسی»-
خشکسالی هیدرولوژیک بر تخصیص آب و تولید برق آبی تاثیر می گذارد. از اینجهت پیشبینی خشکسالی می تواند به مدیریت بهینه منابع آب کمک نماید. در این مقاله، خشکسالی هیدرولوژیکی کوتاه مدت بر اساس یادگیری عمیق پیش بینی شد. برای این منظور، شاخص استاندارد خشکسالی هیدرولوژیک (SHDI) دربازه های یک، سه و شش ماه محاسبه شد. سپس، سه حالت کلی برای پیش بینی SHDI و 36 ترکیب ورودی-خروجی استخراج شدند. در مرحله بعد، الگوریتم های مختلف بهینه سازی، ازجمله الگوریتم بهینه سازی ملخ، الگوریتم ازدحام نمک، بهینه سازی مبتنی بر جغرافیای زیستی و بهینه سازی ازدحام ذرات ترکیب شده با ANN برای پیش بینی SHDI مورداستفاده قرار گرفتند. در این تحقیق 70% داده ها برای آموزش و 30% برای آزمایش مدلها درنظر گرفته شدند. در نهایت عملکرد شبکه عصبی عمیق (DNN) در مقایسه با نتایج مدل های ترکیبی و ANN نشان داد که مدل های ترکیبی عملکرد بهتری داشته اند ولی در مقایسه با یادگیری عمیق توانایی آنها کمتر است. یادگیری عمیق بدون نیاز به تعریف ترکیب ورودیها، توانست مقدار RMSE را به 32/0 کاهش دهد.
کلید واژگان: خشکسالی هیدرولوژیک, یادگیری عمیق, پیشبینی, شاخص استاندارد خشکسالی هیدرولوژیکی}Hydrological drought affects water allocation and hydropower generation. Therefore, hydrological drought prediction can help for optimal water resources management. In this paper, short-term hydrological drought was predicted using deep learning. Doing so, Standardized Hydrological Drought Index (SHDI) was calculated in one-, three- and six-month periods. Then, 36 combinations and three different modes of input variables were considered to predict SHDI. In the next step, various optimization algorithms, including grasshopper optimization algorithm, salt swarm algorithm, biogeography-based optimization, and particle swarm optimization combined with ANN were used to predict SHDI. Here, 70% of the data were considered for training and the remaining 30% for test. Finally, the performance of deep learning (DNN) compared to the combined ANN-SSA, -BBO, -PSO and -GOA were discussed. The results of ANN compared to the combined models showed that the combined models performed better, but they were less campatible to DNN. The DNN on one hand, does not need to define the input combination, and on the other hand could reduce the value of RMSE to 0.32.
Keywords: Hydrologic Drought, Deep Learning, Prediction, Standardized Hydrologic Drought Index}
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.