Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightSonuçlar, global maksimum ve minimum akımları elde etme noktasında, DGP’nin YSA’ya göre daha başarılı olduğunu gerek kalibrasyon gerekse doğrulama aşamalarında hataların karelerinin ortalamasının karekökünün en düşük, verimlilik katsayısının ise daha yüksek olmasını sağlayarak göstermiştir.
📌 3 Maddede Bu Makale
Özet
Nehirlerin morfolojisini, ekosistemi ve özellikle taşkın olaylarını etkileyen iki ana değişken askıdaki sediment ve günlük akımlardır. Yapay sinir ağları (YSA), bu değişkenleri modellemek ve tahmin etmek için yakın zamanda yapılmış çalışmalarda başarıyla kullanılmıştır. Bununla birlikte, bunlar kapalı yöntemlerdir ve pratik uygulamalarda kolaylıkla kullanılamazlar. Bu makalede, İran'daki iki nehirde bu değişkenleri tahmin etmek üzere açık modeller geliştirmek için doğrusal genetik programlama (DGP) yaklaşımı önerilmiştir. DGP tarafından geliştirilen açık ilişkiler (tahmin kuralları), fiziksel tutarlılığı açısından kontrol edilebilen denklemler veya program kodları şeklindedir. Sonuçlar, global maksimum ve minimum akımları elde etme noktasında, DGP’nin YSA’ya göre daha başarılı olduğunu gerek kalibrasyon gerekse doğrulama aşamalarında hataların karelerinin ortalamasının karekökünün en düşük, verimlilik katsayısının ise daha yüksek olmasını sağlayarak göstermiştir.
Abstract
Daily flow and suspended sediment discharge are two major hydrologıcal variables that affect rivers’ morphology and ecosystem, particularly during flood events. Artificial neural networks (ANNs) have been successfully used to model and predict these variables in recent studies. However, these are implicit and cannot be simply used in practice. In this paper, linear genetic programming (LGP) approach has been suggested to develop explicit models to predict these variables in two rivers in Iran. The explicit relationships (prediction rules) evolved by LGP take the form of equations or program codes, which can be checked for its physical consistency. The results showed that the LGP outperforms ANNs in terms of root mean squared error and coefficient of efficiency.