كليدواژه :
پيش بيني , تراز سطح اكولوژيك , درياچه اروميه , شبكه بيزين , حداقل مربعات ماشين بردار پشتيبان
چكيده فارسي :
سابقه و هدف: درياچه اروميه به عنوان يك اكوسيستم آبي مهم در شمال غرب ايران واقع شده است. در 14 سال اخير ميانگين تراز سطح آب درياچه اروميه به 1272/2 متر تقليل پيدا كرده و اين به اين معني است كه اختلاف تراز سطح اكولوژيك درياچه و تراز سطح كنوني 2 متر است. خشك شدن درياچه اروميه باعث بروز مسائل و بحران‌هاي جدي براي حوضه، استان‌هاي مجاور و كشور خواهد شد. در اين تحقيق از پارامترهاي موثر مستقيم و غير مستقيم در پيش-بيني تراز سطح درياچه از جمله تبخير، رواناب ورودي به درياچه، بارش، دما، باد، ميانگين رطوبت هوا و تراز سطح آب درياچه در ماه قبل به عنوان ورودي‌هاي مدل استفاده شده است. مقايسه كارايي مدل‌هاي شبكه‌ي بيزين كه يك مدل احتمالاتي تحت شرايط عدم قطعيت و الگوريتم ماشيني حداقل مربعات ماشين بردار پشتيبان، هدف اصلي تحقيق حاضر است. مواد و روش‌ها: در تحقيق حاضر از دو روش حداقل مربعات ماشين بردار پشتيبان و شبكه بيزين در فرايند مدل-سازي استفاده گرديد. در اين مطالعه عوامل موثر در پيش بيني تراز سطح درياچه در ماه قبل به عنوان ورودي و تراز سطح آب درياچه در ماه كنوني به عنوان خروجي مدل‌ها مورد بررسي قرار گرفت. جهت تخمين دما، تبخير، بارش، باد و ميانگين رطوبت هوا بر روي سطح درياچه از داده‌هاي پنج ايستگاه سينوپتيك مجاور درياچه با برآورد ضريب تيسن هر ايستگاه و داده‌هاي 13 ايستگاه هيدرومتري واقع بر رودخانه‌هاي منتهي به درياچه جهت تشكيل پارامترهاي ورودي دو مدل محاسبه گرديد. يافته‌ها: تحليل داده‌هاي ايستگاه‌هاي هيدرومتري نشان داد كه تنها چهار ايستگاه از 13 ايستگاه هيدرومتري از نرمال پيروي مي‌كنند. مقايسه و بررسي نتايج دو مدل با بررسي ضرايب R2، RMSE، MBE و ناش ساتكليف حاكي از برتري عملكرد مدل حداقل مربعات ماشين بردار پشتيبان در مقايسه با شبكه بيزين است. اين مقادير براي مدل برتر به ترتيب برابر با 92/3%، 0/082 متر، 0/012-متر و 0/86 بدست آمد. نتيجه‌گيري: در اين تحقيق معيارهاي ارزيابي نشان داد كه مدل حداقل مربعات ماشين بردار پشتيبان نسبت به مدل شبكه بيزين داراي برتري است. نكته حائز اهميت در مقايسه دو مدل آن است كه ماهيت مدل حداقل مربعات ماشين بردار پشتيبان، ماشيني است ولي ماهيت شبكه بيزين يك مدل احتمالاتي تحت شرايط عدم قطعيت است كه در آن از توزيع نرمال جهت آموزش متغيرهاي شبكه استفاده شده است. از آنجايي كه ماهيت وقوع رخدادهاي طبيعي تصادفي است، بنابراين استفاده از مدل شبكه بيزين نسبت به مدل حداقل مربعات ماشين بردار پشتيبان مي‌تواند توصيه گردد.
چكيده لاتين :
Background and Objectives: Urmia lake, as an important water ecosystem, is located in the northwest of Iran. Over the past 14 years, the average of Urmia Lake water surface level has decreased to 1272.2 m and it means that the difference between the ecological level of the lake and the present water level is 2-meter. Drying the Urmia Lake will cause serious problems and crises for the watershed, adjacent provinces and the country. In this research, direct and indirect effective parameters in predicting of the lake level such as evaporation, input runoff to the lake, precipitation, temperature, wind, mean air humidity and water level in the previous month have been employed. The comparison of the efficiency of two models namely the Bayesian network, which is a probabilistic model under conditions of uncertainty and the machine algorithm of Least Square Support Vector Machine (LS-SVM) is the main objective of the present research.
Materials and Methods: In the present research, two methods including least squares support vector machine and Bayesian were employed in the modelling process. In this study, effective factors in predicting Urmia lake water level in the previous month as inputs for the used models and water level in the present month as outputs were investigated.
The inputs of the models were including
The surface of lake level such as temperature, evaporation, wind, average humidity, precipitation on the lake surface, total input runoff to the lake and the surface of lake water level in the previous month as input of models and surface of level Lake water was studied as the output of the current month. To estimate the temperature, evaporation, wind rainfall and average air humidity on surface lake, five synoptic stations in the adjacent lake data are estimated by evaluating the Thiessen coefficient of each station and the data of 13 hydrometric stations located on the rivers were calculated to lead the lake as input parameters of two model.
Result: The analysis of hydrometric stations data showed that the data of only 4 stations among 13 stations are fitted to the normal distribution. Comparison and investigation of the results of two model by examining the coefficients R2, RMSE, MBE and Nash-Sutcliff indicate superiority of the least squared vector machine model compared to the Bayesian network. These values for the superior model were 92.3%, 0.082, 0.122 and 0.86, respectively.
Conclusion: In this research, the criteria for evaluating and comparing the accuracy of the two model in prediction based on R2, RMSE, MBE and Nash-Sutcliff criteria indicated that the least square vector machine is superior to the Bayesian model. But the important point in comparing the two model is that the nature of the least squares support vector machine is a machine, however, the nature of the Bayesian network is a probabilistic model under uncertainty conditions in which the normal distribution is used to train network variables because the nature of events is random. Therefore, in this research, the use of Bayesian network model is recommended to the least-squares support vector machine model.
