اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدأنموذج شبكة عصبية صنعية للتنبؤ بمنسوب المياه في بحيرة قطينة
Artificial Neural Network Model to Predict Water Levels in Qattinah Lake
1691
0 100
0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
تتضمن هذه الدراسة إمكانية استخدام الشبكات العصبية الاصطناعية مع خوارزمية الانتشار العكسي في التنبؤ قصير المدى بمناسيب بحيرة قطينة على نهر العاصي, مع الإشارة على أن البيانات المستخدمة هي بيانات مناسيب المياه في البحيرة و بيانات الأمطار للفترة الممتدة بين ( 1\5\2007 - 28\2\2009 ).
This study includes the possibility of using Artificial neural networks (ANNs) with back-propagation algorithm in a short-term prediction of water level in Qattinah Lake. The data used are the water level data in the lake and rainfall data for the period from 1/5/2007 to 28/2/2005. 2009).
مراجعة الذكاء الصنعي:
ملخص البحث
تتناول هذه الدراسة إمكانية استخدام الشبكات العصبية الاصطناعية مع خوارزمية الانتشار العكسي للتنبؤ قصير المدى بمناسيب المياه في بحيرة قطينة على نهر العاصي. البيانات المستخدمة تشمل مناسيب المياه في البحيرة وبيانات الأمطار للفترة من 1 مايو 2007 حتى 28 فبراير 2009. أظهرت النتائج أن الشبكة العصبية الاصطناعية ذات الهيكلية (1–10–10–4) والمعايرة بخوارزمية الانتشار العكسي تعتبر تقنية فعالة للتنبؤ بتغيرات مناسيب المياه ليوم مقدماً، بمعامل ارتباط (0.997) وجذر متوسط مربعات الأخطاء (3.12 سم). توصي الدراسة باستخدام الشبكات العصبية الاصطناعية للتنبؤ بالتدفقات الواردة إلى البحيرة وحجوم المياه المخزنة فيها من أجل التنبؤ بالفيضانات القادمة على المدى القصير.
قراءة نقدية
دراسة نقدية: تعتبر هذه الدراسة خطوة مهمة نحو استخدام تقنيات الذكاء الاصطناعي في إدارة الموارد المائية، إلا أن هناك بعض النقاط التي يمكن تحسينها. أولاً، الدراسة تعتمد على بيانات محدودة زمنياً (من 2007 إلى 2009)، مما قد يؤثر على دقة التنبؤات في فترات زمنية مختلفة. ثانياً، لم يتم تناول تأثير التغيرات المناخية المستقبلية على دقة النموذج، وهو أمر بالغ الأهمية في ظل التغيرات المناخية الحالية. ثالثاً، كان من الممكن تحسين الدراسة بإجراء مقارنة مع نماذج تقليدية أخرى للتنبؤ بالمناسيب لتوضيح مدى تفوق الشبكات العصبية الاصطناعية بشكل أكثر وضوحاً.
أسئلة حول البحث
-
ما هي الفترة الزمنية التي تم استخدام بياناتها في هذه الدراسة؟
تم استخدام بيانات مناسيب المياه والأمطار للفترة من 1 مايو 2007 حتى 28 فبراير 2009.
-
ما هي الهيكلية التي استخدمتها الشبكة العصبية الاصطناعية في الدراسة؟
استخدمت الشبكة العصبية الاصطناعية هيكلية (1–10–10–4) مع خوارزمية الانتشار العكسي.
-
ما هو معامل الارتباط الذي حققته الشبكة العصبية الاصطناعية في التنبؤ بمناسيب المياه؟
حققت الشبكة العصبية الاصطناعية معامل ارتباط بلغ 0.997.
-
ما هي التوصيات التي قدمتها الدراسة لاستخدام الشبكات العصبية الاصطناعية؟
توصي الدراسة باستخدام الشبكات العصبية الاصطناعية للتنبؤ بالتدفقات الواردة إلى البحيرة وحجوم المياه المخزنة فيها من أجل التنبؤ بالفيضانات القادمة على المدى القصير.
المراجع المستخدمة
Asce Task Committee on Application of Artificial Neural Networks in Hydrology, 2000 - Artificial Neural Networks in Hydrology. I: Preliminary concepts. J. Hydrol. Eng, 115-123
Asce Task Committee on Application of Artificial Neural Networks in Hydrology, 2000 - Artificial Neural Networks in Hydrology. II: Hydrologic applications. J. Hydrol. Eng, 124- 137
THIRUMALAIAH, K; DEO, M.C, 1998 - River Stage Forecasting Using Artificial Neural Networks. Journal of Hydrologic Engineering 3, PP: 26–31
قيم البحث
اقرأ أيضاً
يشكّل التبخر أحد عناصر الدورة الهيدرولوجية، الذي يصعب قياس كمياته الفعلية في الشروط الحقلية، لذلك يجري تقديره اعتماداً على الحسابات بعلاقات تجريبية تعتمد على بيانات عناصر المناخ. يهدف البحث إلى بناء أنموذج رياضي لتقدير التبخر الشهري في المنطقة السهلي
ة من الساحل السوري، و ذلك باستخدام الشبكات العصبية الصنعيَّة اعتماداً على درجة الحرارة فقط. و إجراء دراسة مقارنة بين نتائج أنموذج الشبكة و نتائج نماذج أخرى معروفة. بُني الأنموذج الرياضي باستخدام NN-tool box إحدى أدوات MATLAB حيث شكلت شبكة عصبية صنعيَّة متعددة الطبقات لخوارزمية الانتشار العكسي للخطأ، و حُددت خوارزمية التعلم الملائمة، و عدد الطبقات الخفية المستخدمة، بالإضافةً إلى عدد العصبونات و نوع دوال التفعيل المستخدمة في كل طبقة.
و قد أظهرت النتائج أن الشبكة العصبية الصنعيَّة ذات الهيكلية (1-9-1) تعطي أقل قيمة لمربع متوسط الخطأ لمجموعة التحقق و يساوي 0.0032، مع استخدام دالتي التفعيل Logsigmoid و Linear على الترتيب في الطبقة الخفية و طبقة الإخراج.
كما طُوِّر أنموذج المحاكاة للنتائج المستحصلة من الشبكة العصبية الصنعيَّة المقترحة مع نماذج أخرى مثل معادلة إيفانوف و ذلك باستخدام تقانة (Simulink). تبين أن الشبكة العصبية الصنعيَّة المعتمدة على درجة الحرارة فقط تعطي نتائج أكثر دقة من معادلة إيفانوف في تقدير التبخر.
التبخر هو أحد العناصر الأساسية للدورة الهيدرولوجية و ضروري للعديد من الدراسات مثل الموازنة المائية, تصميم أنظمة الري و إدارة الموارد المائية, و يتطلب تقديره معرفة العديد من العناصر المناخية. على الرغم من أن هناك صيغاً تجريبيَّةً متوفرةً لتقدير التبخر
, و لكن أداء هذه الصيغ غير دقيق بسبب الطبيعة المعقدة لعملية التبخر. لذلك فإن هذا البحث يهدف لوضع نموذج شبكة عصبية صنعيَّة للتنبؤ بالتبخر الشهري في منطقة حماه باستخدام ثلاثة عناصر مناخية هي درجة الحرارة, الرطوبة النسبية و سرعة الرياح. من أجل ذلك فقد بُني النموذج باستخدام مكتبة nntool-box إحدى أدوات الـ MATLAB. استُخدمت الشبكة العصبية الصنعيَّة ذات التغذية الأمامية و الانتشار العكسي للخطأ بطبقة خفية واحدة لبناء النموذج. و تم تقييم شبكات مختلفة بعدد مختلف من العصبونات و بتغيير دوال التفعيل المستخدمة في كل طبقة. و استُخدم جذر متوسط مربع الخطأ (RMSE) لتقييم دقة النموذج المُقترح. و قد بينت الدراسة أن الشبكة العصبية الصنعيَّة ذات الهيكلية (3-14-1) هي الأفضل للتنبؤ بالتبخر في منطقة حماه حيث كانت قيمة RMSE تساوي (21.5mm/month) و قيمة R2 مساوية (0.97).
توصي الدراسة باستخدام أنواع أخرى من الشبكات العصبية لتقدير التبخر.
لترجيل اللغة المنطوقة إلى المتوسطة المكتوبة، تمكن معظم الحروف الهجائية قاعدة صوتية لا لبس فيها.ومع ذلك، فقد نأت بعض أنظمة الكتابة أنفسهم من هذا المفهوم البسيط والعمل القليل من العمل في معالجة اللغة الطبيعية (NLP) على قياس المسافة.في هذه الدراسة، نستخ
دم نموذج شبكة عصبي اصطناعي (آن) لتقييم الشفافية بين الكلمات المكتوبة ونطقها، وبالتالي تسميته تقدير الشفافية الذاتية مع آن (Oteann).بناء على مجموعات البيانات المستمدة من قواميس ويكيميديا، ندربنا هذا النموذج واختبر هذا النموذج لتسجيل النسبة المئوية للتنبؤات الخاطئة في مهام الترجمة من PhoneMe-to-grapheme و grapheme-to-phoneme.كانت الدرجات التي تم الحصول عليها على 17 تقييدا تتماشى مع تقديرات الدراسات الأخرى.ومن المثير للاهتمام، أن النموذج قدم أيضا نظرة ثاقبة أخطاء نموذجية مصنوعة من المتعلمين الذين ينظرون فقط في الحكم الصوتي في القراءة والكتابة.
أُجري تقييم نوعية المياه في بحيرة المزيريب خلال العام 2010-2011 بقياس عدد من المعايير الفيزيائية و الكيميائية و الميكروبيولوجية المهمة في تحديد نوعية المياه.
يُعدُّ تقييم موارد المياه السطحية من المدخلات الضرورية لحل قضايا إدارة المياه، و التي تتضمن إيجاد علاقة بين الأمطار و الجريانات السطحية، و تعتبر هذه العلاقة على درجة عالية من التعقيد، حيث أن الأمطار من أهم العوامل التي تؤثر بشكل كبير على جريان الأنها
ر، و عملية التنبؤ بهذه الجريانات يجب أن تأخذ هذا العامل بعين الاعتبار، و بكثير من الاهتمام و الدراسة، و تعتبر الشبكات العصبية الصنعية من أهم الطرائق الحديثة من حيث دقة نتائجها في الربط بين هذه العوامل المتعددة و البالغة التعقيد. و من أجل التنبؤ بالجريان اليومي الوارد إلى بحيرة سد 16 تشرين في اللاذقية، موضوع بحثنا، تم تطبيق نماذج مختلفة من الشبكات العصبية الصنعية (ANN)، كانت مدخلاتها تدفقات سابقة للأمطار و الجريانات.
قسمت مجموعة البيانات للفترة الممتدة بين عامي (2006-2012) إلى مجموعتين: تدريب و اختبار، و قد تم معالجة البيانات قبل إدخالها إلى الشبكة العصبية باستخدام تقنية تحويل المويجات المتقطع، للتخلص من مشاكل القيم العظمى و القيم الصفرية، حيث حللت السلاسل الزمنية إلى ثلاثة مستويات من الدقة و استخدمت السلاسل الفرعية الناتجة كمدخلات للشبكة العصبية أمامية التغذية التي تعتمد على خوارزمية الانتشار العكسي لتدريبها.
أشارت النتائج إلى أن الشبكة العصبية ذات الهيكلية (1-2-6) نموذج Wavelet-ANN، هي الأفضل في تمثيل الظاهرة المدروسة و الأقدر على التنبؤ بالجريان اليومي الوارد إلى بحيرة سد 16 تشرين ليوم واحد قادم، حيث بلغ معامل الارتباط و جذر مربع متوسط الخطأ (R2=0.96، RMSE=1.97m3/sec)، على الترتيب.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
