复杂性gydF4y2Ba 复杂性gydF4y2Ba 1099 - 0526gydF4y2Ba 1076 - 2787gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2021/6683759gydF4y2Ba 6683759gydF4y2Ba 研究文章gydF4y2Ba 预测每日和每月参考蒸散Aidoghmoush盆地使用多层感知器加上水波优化gydF4y2Ba SayyahigydF4y2Ba 今天gydF4y2Ba https://orcid.org/0000 - 0003 - 4209 - 9558gydF4y2Ba 法拉兹-法曾gydF4y2Ba 赛义德gydF4y2Ba KaramigydF4y2Ba HojatgydF4y2Ba 蔡gydF4y2Ba 宁gydF4y2Ba 水工程和水工建筑物gydF4y2Ba 土木工程学院gydF4y2Ba Semnan大学gydF4y2Ba Semnan 35131 - 1911gydF4y2Ba 伊朗gydF4y2Ba semnan.ac.irgydF4y2Ba 2021年gydF4y2Ba 14gydF4y2Ba 8gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 1gydF4y2Ba 11gydF4y2Ba 2020年gydF4y2Ba 20.gydF4y2Ba 1gydF4y2Ba 2021年gydF4y2Ba 2gydF4y2Ba 8gydF4y2Ba 2021年gydF4y2Ba 14gydF4y2Ba 8gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 版权©2021今天Sayyahi et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

本研究的目的是评估的能力软计算模型包括多层感知器(MLP)水波优化(MLP-WWO) MLP-particle群优化(MLP-PSO)和MLP-genetic算法(MLP-GA),模拟日常和月度参考蒸散(ET) Aidoghmoush盆地(伊朗)。主成分分析(PCA)被用来找到最好的输入组合包括滞后ETs。结果显示,ET值1,2,3(天)滞后以及1、2和3(个月)滞后是最有效的变量形成的个人电脑。输入和特征值的总方差比例是用来识别最重要的变量。模型的精度评估是基于多个统计指标如平均绝对误差(MAE)、Nash-Sutcliff效率(研究)和百分比偏差(PBIAS)。结果表明,混合延时模型的性能优于独立的延时。研究结果证实,MLP-WWO可以精确地预测等。gydF4y2Ba

 1。介绍gydF4y2Ba

软计算模型被广泛用于解决各种水资源管理中存在的问题,如水库操作(gydF4y2Ba 1gydF4y2Ba,gydF4y2Ba 2gydF4y2Ba),洪水路由(gydF4y2Ba 3gydF4y2Ba)、灌溉管理(gydF4y2Ba 4gydF4y2Ba),和药物清除建模(gydF4y2Ba 5gydF4y2Ba]。参考蒸散(ET)是一个关键参数水文(gydF4y2Ba 6gydF4y2Ba]。等的主要意义在估算水预算已经被证实。的精确评估等管理水资源是非常重要的。事实上,它是至关重要的预测等精度管理水域的一个可接受的水平(gydF4y2Ba 7gydF4y2Ba),它可以帮助决策者使用准确的预测,以确保最好的水资源分配中利益相关者(gydF4y2Ba 8gydF4y2Ba]。例如,模型用于预测等相对潮湿的地区可能不适合干流域水资源短缺的一个重大挑战gydF4y2Ba 9gydF4y2Ba]。gydF4y2Ba

然而,测量等只在一个非常有限的气象监测站由于高成本的必要设备。的FAO-56 Penman-Monteith方程,这是广泛使用的参考模型等计算(gydF4y2Ba 10gydF4y2Ba),需要大量的水文数据,这被认为是它的一个严重的缺陷。然而,许多水文建模者无法获得精确测量设备定期记录信息(gydF4y2Ba 11gydF4y2Ba]。提出了几种实验方法计算基于气象变量等。radiation-based和temperature-based等模型广泛应用于气象数据的可用性的限制。大量的研究表明,ET temperature-oriented模型不能达到高水平的准确性。gydF4y2Ba

越来越多的研究检验了软计算模型的能力评估等。这些计算模型通常使用非线性输入预测等,虽然旧数据驱动等的预测大多使用统计方法,如线性回归和自回归综合移动平均模型(gydF4y2Ba 12gydF4y2Ba)和限制的假设的输入是线性的。非线性模型已经收到越来越多的关注在水资源的管理使用软计算技术,如人工神经网络(ANN)和自适应神经模糊界面系统(简称ANFIS)。gydF4y2Ba

期刊等。gydF4y2Ba 13gydF4y2Ba)基因表达的性能相比编程(GEP)和FAO-56 Penman-Monteith (PM)在西班牙。他们的研究结果表明,GEP模型比其他模型在大多数情况下。在另一项研究中,Tabari et al。gydF4y2Ba 14gydF4y2Ba]应用简称ANFIS和支持向量机(SVM)马铃薯作物蒸散和计算发现,简称ANFIS具有更好的性能比支持向量机模型。此外,罗et al。gydF4y2Ba 15gydF4y2Ba)应用安和PM模型预测等,下午安相比的优越性能模型。此外,帕蒂尔和钱德拉Deka [gydF4y2Ba 16gydF4y2Ba)检查的能力极端学习机(ELM)和ANN模型在印度,发现榆树模型提供了更好的结果。gydF4y2Ba

帕蒂尔和钱德拉DekagydF4y2Ba 17gydF4y2Ba应用简称ANFIS)、小波简称ANFIS和小波安预测等。他们的研究结果表明,ANFIS-wavelet模型比其他模型。Seifi和RiahigydF4y2Ba 18gydF4y2Ba)调查的有效性最小二乘支持向量机(LSSVM),简称ANFIS和ANN模型在预测使用气象资料等。结果表明,LSSVM模型提供了一个更理想的预测比其他模型。gydF4y2Ba

在这项研究中,模型被用来预测每月和每日等。尽管SVM模型可以预测水文变量,他们有一些固有的缺陷gydF4y2Ba 18gydF4y2Ba]。例如,支持向量机模型无法准确估计目标变量当特征的数量比样品的数量,和输入数据有更多的噪音gydF4y2Ba 18gydF4y2Ba]。因此,选择核函数建模者并不容易。延时模型被广泛用于预测水文变量,因为它们可以处理多变量输入和多步预测。然而,延时模型有一些重要的缺点gydF4y2Ba 19gydF4y2Ba]。培训软计算为用户模型是一个真正的挑战。传统的反向传播算法训练算法,如软计算模型可能在局部最优陷阱。优化算法被认为是合适的替代传统的训练算法由于其先进的运营商,而避免陷入局部最优。优化算法被广泛用于训练软计算模型(gydF4y2Ba 19gydF4y2Ba- - - - - -gydF4y2Ba 26gydF4y2Ba]。遗传算法(GA)和粒子群优化(PSO)的优化算法。粒子的位置作为候选的解决方案。本研究结合了WWO和延时模型提高收敛速度和精度。此外,WWO避免局部最优捕获的折射,这就增加了种群的多样性。因此,使用这一策略可以避免陷入局部最优。gydF4y2Ba

水波优化(WWO),作为一个创新的优化算法,最近被用于各种研究等领域的最优无功调度,基准测试函数和旅行商问题(gydF4y2Ba 27gydF4y2Ba- - - - - -gydF4y2Ba 29日gydF4y2Ba]。先前的研究已经表明,WWO可以提高收敛速度和计算精度与算法相比,遗传算法和其他算法。WWO有几个优点,如良好的勘探和开发之间的平衡。此外,它使用不同的折射等运营商,传播,打破运营商增加种群的多样性。此外,先进的运营商WWO可以减少过早收敛。本文的主要动机是发展中长期规划新的混合模型预测等。此外,新的混合模型可用于预测目标变量在其他领域。虽然不同的研究使用不同的计量数据预测等,本研究使用滞后ET值预测等。因此,这项研究非常有用当学者没有不同的气候预测输入数据等。gydF4y2Ba

在本文中,一种新的优化算法模型旨在结合在开发预测月度等。为此,气象数据收集从Aidoghmoush站在伊朗。我们所知,仅有的研究检验了模型的组合的潜力和WWO算法预测每日和每月等。有关的性能MLP-WWO相结合,联合MLP-WWO的输出与独立的模型相比,MLP-genetic算法(MLP-GA), MLP-particle群优化(MLP-PSO)。gydF4y2Ba

 2。材料和方法gydF4y2Ba 2.1。网络模型gydF4y2Ba

mlp包括一组神经元放置在层。激活函数是用于每个节点变换加权输入输出激活函数的数学性质的特征。在这项研究中被训练向MLP使用反向传播算法(BPA) [gydF4y2Ba 30.gydF4y2Ba]。这个网络包括输入、隐藏层和输出层。在第一层输入数据接收。然后,在隐藏层处理的信息。最后,模型预测是由输出层。应用模型是基于以下的水平:gydF4y2Ba

input-out数据意外地选择采用给定的训练输入数据。模型与不同尺寸,精度最高,还进行了训练和测试水平,其中70年和30的数据被选为训练和测试水平,分别。gydF4y2Ba

后为一些输入生成的输出模式应用于传递函数。gydF4y2Ba

一个目标函数如均方根误差(RMSE)被选中。gydF4y2Ba

连接权重更新获得最低的RMSE值。gydF4y2Ba

测试和训练水平,每一对输入输出向量的组成是继续通过水平在一定程度上没有很大的改变在RMSE模型(图gydF4y2Ba 1gydF4y2Ba)。gydF4y2Ba

中长期规划的原理结构模型。gydF4y2Ba

 2.2。遗传算法gydF4y2Ba

遗传算法是一种进化算法,找到问题的最优解基于达尔文的原理通过变异、交叉,选择运营商。为此,一些初始生成解决方案和相应的目标函数值计算。选择操作是用来选择旧的人口的父母。接下来,生成的新个体交叉算子(gydF4y2Ba 31日gydF4y2Ba]。最后,变异算子用于维护当前和未来几代人之间的多样性。该算法满足停止条件(图时结束gydF4y2Ba 2gydF4y2Ba)。gydF4y2Ba

遗传算法流程图。gydF4y2Ba

 2.3。PSO算法gydF4y2Ba

算法被广泛用于不同的优化问题。类似于其他优化算法,该算法以随机初始化种群的成员,并使用粒子的社会行为来获取最佳的解决方案通过设置每个成员的位置有关的粒子群最佳位置的人口。方程(gydF4y2Ba 1gydF4y2Ba)和(gydF4y2Ba 2gydF4y2Ba)是用于更新粒子的速度和位置(gydF4y2Ba 32gydF4y2Ba]:gydF4y2Ba (1)gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba +gydF4y2Ba cgydF4y2Ba 1gydF4y2Ba ·gydF4y2Ba 兰德gydF4y2Ba ·gydF4y2Ba lgydF4y2Ba 最好的gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba +gydF4y2Ba cgydF4y2Ba 2gydF4y2Ba ·gydF4y2Ba 兰德gydF4y2Ba ·gydF4y2Ba ggydF4y2Ba 最好的gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba (2)gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba +gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 是迭代粒子的位置(gydF4y2Ba tgydF4y2Ba+ 1),gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 表示迭代粒子的速度(gydF4y2Ba tgydF4y2Ba+ 1),gydF4y2Ba cgydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba cgydF4y2Ba2gydF4y2Ba代表恒定值范围0 - 2,gydF4y2Ba ggydF4y2Ba 最好的gydF4y2Ba 我gydF4y2Ba 展示了全球最好的粒子,gydF4y2Ba lgydF4y2Ba 最好的gydF4y2Ba 我gydF4y2Ba 是当地最好的粒子,然后呢gydF4y2Ba 兰德gydF4y2Ba 表示随机数字,这是在0和1之间。图gydF4y2Ba 3gydF4y2Ba显示了算法的优化过程。gydF4y2Ba

算法的优化过程。gydF4y2Ba

 2.4。WWO算法gydF4y2Ba

WWO算法旨在提高勘探开发能力的优化算法基于传播、折射,制动操作符。WWO模拟浅水波浪理论。每个代理算法有一些相似之处“水波”实体的波长(WL)gydF4y2Ba λgydF4y2Ba 和波高的gydF4y2Ba hgydF4y2Ba。如图gydF4y2Ba 4gydF4y2Ba水波的,目标函数值要低得多,它的gydF4y2Ba hgydF4y2Ba较低,和王比深水短的起源gydF4y2Ba 29日gydF4y2Ba]。gydF4y2Ba

WWO的细节。gydF4y2Ba

 2.4.1。传播gydF4y2Ba

这是假设gydF4y2Ba xgydF4y2Ba代表原始的水波,gydF4y2Ba xgydF4y2Ba′表示生成的一个新的传播算子(MLP)的重量和偏见gydF4y2Ba 33gydF4y2Ba]。gydF4y2Ba (3)gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba dgydF4y2Ba =gydF4y2Ba xgydF4y2Ba dgydF4y2Ba +gydF4y2Ba 兰德gydF4y2Ba −gydF4y2Ba 1,- 1gydF4y2Ba ·gydF4y2Ba λgydF4y2Ba lgydF4y2Ba dgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba lgydF4y2Ba dgydF4y2Ba 搜索空间的长度,gydF4y2Ba 兰德gydF4y2Ba −gydF4y2Ba 1,- 1gydF4y2Ba 显示了一个均匀分布的随机数,gydF4y2Ba xgydF4y2Ba dgydF4y2Ba 代表原始的水波,gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba dgydF4y2Ba 表示新水波。传播后,目标函数值gydF4y2Ba xgydF4y2Ba′是评估。不失一般性,gydF4y2Ba FgydF4y2Ba假设为一个最小化问题与健身的功能gydF4y2Ba fgydF4y2Ba和gydF4y2Ba FgydF4y2Ba。实际问题可以与浅水模型(图gydF4y2Ba 5gydF4y2Ba)。gydF4y2Ba

WWO的细节对于一个实际的问题。gydF4y2Ba

如果gydF4y2Ba fgydF4y2Ba(gydF4y2Ba xgydF4y2Ba′) fgydF4y2Ba(gydF4y2Ba xgydF4y2Ba),gydF4y2Ba xgydF4y2Ba′是用来代替gydF4y2Ba xgydF4y2Ba在人口。然后,波高是格言高度调整(gydF4y2Ba hgydF4y2Ba马克斯gydF4y2Ba)。相反,波gydF4y2Ba xgydF4y2Ba是固定的,和波高是减少损失的能量。因此,下面的方程可以用来更新波长(gydF4y2Ba 33gydF4y2Ba]:gydF4y2Ba (4)gydF4y2Ba λgydF4y2Ba =gydF4y2Ba λgydF4y2Ba 。gydF4y2Ba αgydF4y2Ba −gydF4y2Ba fgydF4y2Ba xgydF4y2Ba −gydF4y2Ba fgydF4y2Ba 最小值gydF4y2Ba +gydF4y2Ba εgydF4y2Ba /gydF4y2Ba fgydF4y2Ba 马克斯gydF4y2Ba −gydF4y2Ba fgydF4y2Ba 最小值gydF4y2Ba +gydF4y2Ba εgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba αgydF4y2Ba 是减少波长,gydF4y2Ba fgydF4y2Ba马克斯gydF4y2Ba显示了最大目标函数值,gydF4y2Ba fgydF4y2Ba最小值gydF4y2Ba代表最小目标函数值,gydF4y2Ba εgydF4y2Ba 表示正整数。gydF4y2Ba

 2.4.2。折射gydF4y2Ba

在优化过程中,折射操作只能进行波gydF4y2Ba xgydF4y2Ba在它的高度趋于0时防止搜索停滞。给出了位置更新如下(gydF4y2Ba 33gydF4y2Ba]:gydF4y2Ba (5)gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba dgydF4y2Ba =gydF4y2Ba NgydF4y2Ba xgydF4y2Ba dgydF4y2Ba ∗gydF4y2Ba +gydF4y2Ba xgydF4y2Ba dgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba ∗gydF4y2Ba dgydF4y2Ba −gydF4y2Ba xgydF4y2Ba dgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba xgydF4y2Ba dgydF4y2Ba ∗gydF4y2Ba 最优解和吗gydF4y2Ba NgydF4y2Ba σgydF4y2Ba ,gydF4y2Ba μgydF4y2Ba 显示了一个高斯随机数的意思是(gydF4y2Ba μgydF4y2Ba 1)(0)和标准偏差(gydF4y2Ba σgydF4y2Ba )。的gydF4y2Ba NgydF4y2Ba允许波gydF4y2Ba xgydF4y2Ba dgydF4y2Ba学习最好的解决方案gydF4y2Ba xgydF4y2Ba dgydF4y2Ba ∗gydF4y2Ba 。gydF4y2Ba

 2.4.3。打破gydF4y2Ba

打破经营者的效用是使人口多样化。gydF4y2Ba KgydF4y2Ba随机选择的维度,每个维度选择提供每个维度的孤波gydF4y2Ba xgydF4y2Ba′(gydF4y2Ba 29日gydF4y2Ba]:gydF4y2Ba (6)gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba dgydF4y2Ba =gydF4y2Ba xgydF4y2Ba dgydF4y2Ba +gydF4y2Ba NgydF4y2Ba 0 1gydF4y2Ba ·gydF4y2Ba βgydF4y2Ba lgydF4y2Ba dgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba βgydF4y2Ba 是破坏系数。如果目标函数值的波gydF4y2Ba xgydF4y2Ba ∗gydF4y2Ba 比所提供的孤波,gydF4y2Ba xgydF4y2Ba ∗gydF4y2Ba 波保存。图gydF4y2Ba 6gydF4y2Ba显示了WWO优化水平。gydF4y2Ba

WWO的优化级别。gydF4y2Ba

 2.5。培训全局优化算法gydF4y2Ba

需要考虑两个技术方面为了整合中长期规划的优化算法,即编码方法代理/解决方案和确定目标函数的过程。虽然独立的延时模型有很高的能力,他们的训练算法可能收敛或慢陷阱在局部最优gydF4y2Ba 21gydF4y2Ba- - - - - -gydF4y2Ba 34gydF4y2Ba]。因此,有必要提高延时模型的准确性。这些模型都是经过训练的1000年的时代。学习速率和动量系数分别为0.001和0.09,分别。gydF4y2Ba

在进化algorithms-MLP模型,每一个维向量可以引用一个代理(如粒子(PSO),染色体(GA),和“波水”对象(WWO)),其中可能包括随机数(−1,1)。每个代理表明候选人MLP(图gydF4y2Ba 7gydF4y2Ba)。编码代理包含套偏差值和连接权重。重量和偏见的数量决定了向量的长度。计算目标函数值的代理商,所有代理都应该转移到延时,这样他们可以被贴上连接权重。RMSE通常应用在MLP-optimization算法目标函数。混合模型教练的水平可以解释在以下级别:gydF4y2Ba

优化algorithm-MLP模型发起随机代理gydF4y2Ba

代理被映射到一些候选人MLP的偏见和重量值gydF4y2Ba

mlp的质量评估根据RMSEgydF4y2Ba

优化algorithm-MLP模型构造适当的延时最小均方根误差gydF4y2Ba

代理更新gydF4y2Ba

步骤2至步骤4直到最后迭代(图gydF4y2Ba 7gydF4y2Ba)gydF4y2Ba

解决方案结构在MLP-optimization模型(gydF4y2Ba 35gydF4y2Ba]。gydF4y2Ba

 2.6。数据集gydF4y2Ba

图gydF4y2Ba 8gydF4y2Ba显示了数据从气象站获得位于伊朗的Aidoghmoush盆地(37°16′′N 37°31日;47°33′47°49′E)在1987年到2000年。gydF4y2Ba

位置的案例研究gydF4y2Ba 36gydF4y2Ba]。gydF4y2Ba

平均流量和平均年降雨量为190gydF4y2Ba ∗gydF4y2Ba 10gydF4y2Ba6gydF4y2Ba米gydF4y2Ba3gydF4y2Ba分别为每年340毫米。今年的雨季从10月到5月,8月是最干燥的月。此外,降雨的峰值概率是今年4月,在无雨的时期从6月到10月。光明和黑暗的时期从5月到8月和10月到2月,分别为(gydF4y2Ba 37gydF4y2Ba]。gydF4y2Ba

延时、MLP-WWO MLP-PSO, MLP-GA被用来预测每日和每月等。表gydF4y2Ba 1gydF4y2Ba显示了表格输入数据的统计特征的研究。滞后ET值被用来估计提前一个月或一天的预测等。滞后ET值使用,因为它旨在评估模型的能力基于有限的输入数据。事实上,由于没有对气候数据的访问,准确预测等是一个重要的问题。gydF4y2Ba

等统计特征:每月和每日的价值观。gydF4y2Ba

等gydF4y2Ba 最大(毫米)gydF4y2Ba 最低(毫米)gydF4y2Ba 变异系数(毫米)gydF4y2Ba 平均水平(毫米)gydF4y2Ba
月度值gydF4y2Ba 1月gydF4y2Ba 18gydF4y2Ba 10gydF4y2Ba 0.23gydF4y2Ba 14gydF4y2Ba
2月gydF4y2Ba 17gydF4y2Ba 12gydF4y2Ba 0.20gydF4y2Ba 15gydF4y2Ba
3月gydF4y2Ba 52gydF4y2Ba 34gydF4y2Ba 0.45gydF4y2Ba 39gydF4y2Ba
4月gydF4y2Ba 89年gydF4y2Ba 45gydF4y2Ba 0.56gydF4y2Ba 52gydF4y2Ba
可能gydF4y2Ba 112年gydF4y2Ba 90年gydF4y2Ba 0.91gydF4y2Ba 104年gydF4y2Ba
6月gydF4y2Ba 224年gydF4y2Ba 209年gydF4y2Ba 1.01gydF4y2Ba 212年gydF4y2Ba
7月gydF4y2Ba 232年gydF4y2Ba 223年gydF4y2Ba 1.04gydF4y2Ba 228年gydF4y2Ba
8月gydF4y2Ba 145年gydF4y2Ba 138年gydF4y2Ba 0.98gydF4y2Ba 142年gydF4y2Ba
9月gydF4y2Ba 132年gydF4y2Ba 112年gydF4y2Ba 1.01gydF4y2Ba 129年gydF4y2Ba
10月gydF4y2Ba 98年gydF4y2Ba 91年gydF4y2Ba 0.65gydF4y2Ba 95年gydF4y2Ba
11月gydF4y2Ba 89年gydF4y2Ba 82年gydF4y2Ba 0.55gydF4y2Ba 85年gydF4y2Ba
12月gydF4y2Ba 67年gydF4y2Ba 54gydF4y2Ba 0.72gydF4y2Ba 59gydF4y2Ba
每天值gydF4y2Ba 火车gydF4y2Ba
价值gydF4y2Ba 24gydF4y2Ba 12gydF4y2Ba 0.32gydF4y2Ba 18gydF4y2Ba
测试gydF4y2Ba
价值gydF4y2Ba 21gydF4y2Ba 14gydF4y2Ba 0.45gydF4y2Ba 19gydF4y2Ba

数据被分成70%的训练,30%的测试。滞后ET值被用作软计算模型的输入。不同大小的数据进行了测试,70和30实现目标函数的最小值。之前开发模型中,主成分分析(PCA)进行每月和每日ET值选择重要的滞后,也就是说,滞后的输入主要影响每日和每月ET值。变量滞后7天,7个月被用作输入的软计算模型预测每日和每月等。主成分分析是一种统计模型将给定的一组gydF4y2Ba ngydF4y2Ba变量成一组新的互相正交的电脑。PCA是用来选择best-lagged输入变量来预测水文变量(gydF4y2Ba 37gydF4y2Ba- - - - - -gydF4y2Ba 39gydF4y2Ba]。先前的研究表明PCA相比的优越性伽马测试和相关法等其他方法(gydF4y2Ba 37gydF4y2Ba- - - - - -gydF4y2Ba 39gydF4y2Ba]。主体与特征值,不止一个,是重要的输入。此外,在个人电脑最有效的变量的系数≥0.90。因此,校长和选择他们的变量是基于上述规则(gydF4y2Ba 37gydF4y2Ba- - - - - -gydF4y2Ba 39gydF4y2Ba]。gydF4y2Ba

准备输入数据,计算协方差矩阵,特征值和向量,以及计算总方差的比例为每一个电脑被认为是作为主要的PCA模型的水平。以下指标用来评估模型。gydF4y2Ba (7)gydF4y2Ba PBIASgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba YgydF4y2Ba 我gydF4y2Ba 奥林匹克广播服务公司gydF4y2Ba −gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba sim卡gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba 奥林匹克广播服务公司gydF4y2Ba ,gydF4y2Ba (8)gydF4y2Ba 分析了无gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba YgydF4y2Ba 我gydF4y2Ba 奥林匹克广播服务公司gydF4y2Ba −gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba sim卡gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba YgydF4y2Ba 我gydF4y2Ba 奥林匹克广播服务公司gydF4y2Ba −gydF4y2Ba YgydF4y2Ba 的意思是gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba (9)gydF4y2Ba 美gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba YgydF4y2Ba 我gydF4y2Ba 奥林匹克广播服务公司gydF4y2Ba −gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba sim卡gydF4y2Ba ,gydF4y2Ba 梅的平均绝对误差,gydF4y2Ba 分析了无gydF4y2Ba 显示Nash-Sutcliff效率,gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba 奥林匹克广播服务公司gydF4y2Ba 表示观测数据,gydF4y2Ba YgydF4y2Ba 的意思是gydF4y2Ba 代表观测数据的平均值,gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba sim卡gydF4y2Ba 表示预测数据。gydF4y2Ba

 3所示。结果与讨论gydF4y2Ba 3.1。选择输入gydF4y2Ba 3.1.1。每日规模gydF4y2Ba

表gydF4y2Ba 2gydF4y2Ba显示了PCA的输出包括七输入七个人电脑的贡献,每个电脑的描述方差,方差描述的累积的总和。如图所示,PC1和前三个电脑导致了总方差的54%和91%,分别。结果表明,ET值与滞后1、2和3(天)是重要的和作为输入。gydF4y2Ba

在PCA每日输出的规模。gydF4y2Ba

输入gydF4y2Ba 电脑(1)gydF4y2Ba 电脑(2)gydF4y2Ba 电脑(3)gydF4y2Ba 电脑(1)gydF4y2Ba 电脑(5)gydF4y2Ba 电脑(6)gydF4y2Ba 电脑(7)gydF4y2Ba
每日规模gydF4y2Ba EgydF4y2Ba(gydF4y2Ba dgydF4y2Ba−1)gydF4y2Ba 0.94gydF4y2Ba 0.93gydF4y2Ba 0.92gydF4y2Ba 0.62gydF4y2Ba 0.55gydF4y2Ba 0.43gydF4y2Ba 0.42gydF4y2Ba
EgydF4y2Ba(gydF4y2Ba dgydF4y2Ba−2)gydF4y2Ba 0.90gydF4y2Ba 0.92gydF4y2Ba 0.91gydF4y2Ba 0.59gydF4y2Ba 0.54gydF4y2Ba 0.47gydF4y2Ba 0.42gydF4y2Ba
EgydF4y2Ba(gydF4y2Ba dgydF4y2Ba−3)gydF4y2Ba 0.89gydF4y2Ba 0.91gydF4y2Ba 0.90gydF4y2Ba 0.55gydF4y2Ba 0.52gydF4y2Ba 0.40gydF4y2Ba 0.39gydF4y2Ba
EgydF4y2Ba(gydF4y2Ba dgydF4y2Ba−4)gydF4y2Ba 0.65gydF4y2Ba 0.62gydF4y2Ba 0.69gydF4y2Ba 0.49gydF4y2Ba 0.58gydF4y2Ba 0.47gydF4y2Ba 0.42gydF4y2Ba
EgydF4y2Ba(gydF4y2Ba dgydF4y2Ba−5)gydF4y2Ba 0.62gydF4y2Ba 0.45gydF4y2Ba 0.42gydF4y2Ba 0.42gydF4y2Ba 0.45gydF4y2Ba 0.40gydF4y2Ba 0.39gydF4y2Ba
EgydF4y2Ba(gydF4y2Ba dgydF4y2Ba−6)gydF4y2Ba 0.54gydF4y2Ba 0.34gydF4y2Ba 0.31gydF4y2Ba 0.29gydF4y2Ba 0.41gydF4y2Ba 0.36gydF4y2Ba 0.35gydF4y2Ba
EgydF4y2Ba(gydF4y2Ba dgydF4y2Ba−7)gydF4y2Ba 0.43gydF4y2Ba 0.29gydF4y2Ba 0.27gydF4y2Ba 0.25gydF4y2Ba 0.32gydF4y2Ba 0.30gydF4y2Ba 0.29gydF4y2Ba
解释方差%gydF4y2Ba 54gydF4y2Ba 22gydF4y2Ba 17gydF4y2Ba 3gydF4y2Ba 3gydF4y2Ba 0.5gydF4y2Ba 0.5gydF4y2Ba
特征值gydF4y2Ba 3.24gydF4y2Ba 1.32gydF4y2Ba 1.02gydF4y2Ba 0.18gydF4y2Ba 0.18gydF4y2Ba 0.03gydF4y2Ba 0.03gydF4y2Ba
累积方差%gydF4y2Ba 54gydF4y2Ba 76年gydF4y2Ba 91年gydF4y2Ba 96年gydF4y2Ba 99年gydF4y2Ba One hundred.gydF4y2Ba One hundred.gydF4y2Ba
每月的规模gydF4y2Ba EgydF4y2Ba(gydF4y2Ba 米gydF4y2Ba−1)gydF4y2Ba 0.95gydF4y2Ba 0.94gydF4y2Ba 0.92gydF4y2Ba 0.76gydF4y2Ba 0.61gydF4y2Ba 0.60gydF4y2Ba
EgydF4y2Ba(gydF4y2Ba 米gydF4y2Ba−2)gydF4y2Ba 0.94gydF4y2Ba 0.92gydF4y2Ba 0.91gydF4y2Ba 0.69gydF4y2Ba 0.55gydF4y2Ba 0.52gydF4y2Ba
EgydF4y2Ba(gydF4y2Ba 米gydF4y2Ba−3)gydF4y2Ba 0.93gydF4y2Ba 0.92gydF4y2Ba 0.90gydF4y2Ba 0.67gydF4y2Ba 0.44gydF4y2Ba 0.41gydF4y2Ba
EgydF4y2Ba(gydF4y2Ba 米gydF4y2Ba−4)gydF4y2Ba 0.85gydF4y2Ba 0.84gydF4y2Ba 0.80gydF4y2Ba 0.65gydF4y2Ba 0.42gydF4y2Ba 0.39gydF4y2Ba
EgydF4y2Ba(gydF4y2Ba 米gydF4y2Ba−5)gydF4y2Ba 0.82gydF4y2Ba 0.81gydF4y2Ba 0.79gydF4y2Ba 0.62gydF4y2Ba 0.40gydF4y2Ba 0.34gydF4y2Ba
EgydF4y2Ba(gydF4y2Ba 米gydF4y2Ba−6)gydF4y2Ba 0.80gydF4y2Ba 0.79gydF4y2Ba 0.77gydF4y2Ba 0.55gydF4y2Ba 0.38gydF4y2Ba 0.36gydF4y2Ba
解释方差(%)gydF4y2Ba 53gydF4y2Ba 27gydF4y2Ba 17gydF4y2Ba 2gydF4y2Ba 0.5gydF4y2Ba 0.5gydF4y2Ba
淡水河谷特征gydF4y2Ba 3.18gydF4y2Ba 1.62gydF4y2Ba 1.02gydF4y2Ba 0.12gydF4y2Ba 0.03gydF4y2Ba 0.03gydF4y2Ba
累积方差%gydF4y2Ba 53gydF4y2Ba 80年gydF4y2Ba 94年gydF4y2Ba 99年gydF4y2Ba 99.5gydF4y2Ba One hundred.gydF4y2Ba
3.1.2。每月的规模gydF4y2Ba

根据结果,PC1和前三个电脑导致了总方差的53%和94%,分别。此外,ET值和滞后1,2,3(月)是重要的和用作输入软计算模型(表gydF4y2Ba 2gydF4y2Ba)。gydF4y2Ba

 3.2。软计算的结果数据分析模型gydF4y2Ba 3.2.1之上。每日规模gydF4y2Ba

优化算法的随机参数视为影响力系数大大影响算法的性能。例如,随机参数WWO人口规模,波长,波高,破坏系数。表gydF4y2Ba 3gydF4y2Ba显示其他重要变量。每个MLP-optimization算法模型是由不同的随机参数值进行测试。敏感性分析是用来发现参数的最优值。目标函数的变化是参数的计算与感兴趣的变化。当一个参数不同的利益的价值,其他参数都是固定的。最小化目标函数的参数的最佳值。gydF4y2Ba

随机参数的最优值。gydF4y2Ba

WWO人口规模:200年,波长度:0.3,波高:0.5,和BC: 0.05gydF4y2Ba
算法,粒子数:200,gydF4y2Ba cgydF4y2Ba1gydF4y2Ba:2,gydF4y2Ba cgydF4y2Ba2gydF4y2Ba:2,gydF4y2Ba wgydF4y2Ba :0.4gydF4y2Ba
遗传算法的染色体数量:100年,变异概率:0.01,和交叉概率:0.3gydF4y2Ba

目标函数是用于计算的误差性能在每个迭代。每个模型运行在2000中长期规划迭代优化参数。因此,一系列MLP-optimization算法进行了使用各种人口大小(PS)、波长度(WL),浪高(WH)和破坏系数(BC)从100年到400年,0.1比1,1到5,分别和0.01到0.10。结果表明,PS: 200王:0.5,WH: 2, RMSE和BC: 0.05提供最低的。因此,这些值被选为MLP-WWO模型中的最优参数。关于类似的过程,其他算法得到的最优参数。gydF4y2Ba

表gydF4y2Ba 4gydF4y2Ba演示了相关输出延时模型的训练水平。结果显示在表中gydF4y2Ba 4gydF4y2Ba和gydF4y2Ba 5gydF4y2Ba基于随机参数的最佳值获得表吗gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

训练水平的统计结果与软计算模型基于每日规模。gydF4y2Ba

指数gydF4y2Ba 梅(毫米)gydF4y2Ba PBIASgydF4y2Ba 分析了无gydF4y2Ba
训练水平gydF4y2Ba
MLP-WWOgydF4y2Ba 3.12gydF4y2Ba 0.14gydF4y2Ba 0.94gydF4y2Ba
MLP-PSOgydF4y2Ba 3.19gydF4y2Ba 0.35gydF4y2Ba 0.91gydF4y2Ba
MLP-GAgydF4y2Ba 3.22gydF4y2Ba 0.37gydF4y2Ba 0.89gydF4y2Ba
中长期规划gydF4y2Ba 3.25gydF4y2Ba 0.39gydF4y2Ba 0.85gydF4y2Ba
测试水平gydF4y2Ba
MLP-WWOgydF4y2Ba 5.15gydF4y2Ba 0.17gydF4y2Ba 0.92gydF4y2Ba
MLP-PSOgydF4y2Ba 5.22gydF4y2Ba 0.47gydF4y2Ba 0.90gydF4y2Ba
MLP-GAgydF4y2Ba 5.28gydF4y2Ba 0.49gydF4y2Ba 0.87gydF4y2Ba
中长期规划gydF4y2Ba 5.32gydF4y2Ba 0.51gydF4y2Ba 0.84gydF4y2Ba

统计结果的训练水平与软计算模型基于月度规模。gydF4y2Ba

指数gydF4y2Ba 梅(毫米)gydF4y2Ba PBIASgydF4y2Ba 分析了无gydF4y2Ba
训练水平gydF4y2Ba
MLP-WWOgydF4y2Ba 0.49gydF4y2Ba 0.19gydF4y2Ba 0.95gydF4y2Ba
MLP-PSOgydF4y2Ba 0.53gydF4y2Ba 0.32gydF4y2Ba 0.92gydF4y2Ba
MLP-GAgydF4y2Ba 0.57gydF4y2Ba 0.33gydF4y2Ba 0.90gydF4y2Ba
中长期规划gydF4y2Ba 0.59gydF4y2Ba 0.35gydF4y2Ba 0.88gydF4y2Ba
测试水平gydF4y2Ba
MLP-WWOgydF4y2Ba 0.51gydF4y2Ba 0.21gydF4y2Ba 0.93gydF4y2Ba
MLP-PSOgydF4y2Ba 0.55gydF4y2Ba 0.34gydF4y2Ba 0.90gydF4y2Ba
MLP-GAgydF4y2Ba 0.58gydF4y2Ba 0.37gydF4y2Ba 0.87gydF4y2Ba
中长期规划gydF4y2Ba 0.61gydF4y2Ba 0.39gydF4y2Ba 0.85gydF4y2Ba

基于表gydF4y2Ba 4gydF4y2Ba中长期规划,混合建模有更好、更可接受的结果。此外,MLP-WWO的美是2.1%,3.2%,和4.1%低于MLP-PSO, MLP-GA,延时模型。的PBIAS MLP-WWO是0.14,0.35,0.37,和0.39的MLP-PSO MLP-GA,延时模型。MLP-WWO了无最高和最低PBIAS等模型。网络模型的PBIAS高于其他模型。gydF4y2Ba

表gydF4y2Ba 4gydF4y2Ba显示了软计算模型的误差指标基于每日规模的测试水平。如这个表所示,MLP-WWO的美是1.3%,2.5%,和3.3%低于MLP-PSO, MLP-GA,延时模型。此外,PBIAS MLP-GA是高于其他混合动力车型。的了无延时是0.84,0.87,0.90,0.92,MLP-GA MLP-PSO, MLP-WWO模型。gydF4y2Ba

 3.2.2。每月的规模gydF4y2Ba

基于表gydF4y2Ba 5gydF4y2Ba,混合MLP更好、更可接受的测试结果进行建模。的PBIAS MLP-WWO是低于其他的混合模型。MLP-WWO的美是7.2%,14%,和17%低于MLP-PSO, MLP-GA,延时模型。均获得了无最高和最低PBIAS MLP-WWO模型。gydF4y2Ba

表gydF4y2Ba 5gydF4y2Ba显示了相关的测试结果中的延时模型的水平。如图所示,梅斯的WWO 7.2, 12日和17%低于MLP-PSO, MLP-GA,分别和中长期规划模型。的了无MLP-PSO高于MLP-GA和延时模型。gydF4y2Ba

结果表明,优化算法改进的独立模型的准确性。换句话说,模型相结合的混合算法和主成分分析等预处理方法可以用于实际问题与不同的输入在水资源管理场景。建模者可能会遇到大量的输入数据在评估不同水文变量。此外,独立的软计算模型可能不导致好的结果。因此,必须使用一种混合框架基于预处理方法和优化算法,以确保准确的目标变量的估计。gydF4y2Ba

 3.3。散点图gydF4y2Ba 3.3.1。每日规模gydF4y2Ba

图gydF4y2Ba 9gydF4y2Ba显示了软计算的散点图模型。gydF4y2Ba

散点图(一)每日价值和(b)每月值。gydF4y2Ba

结果表明,输出相关MLP-WWO更接近实测资料表明准确的组合模型的性能。图gydF4y2Ba 9(一个)gydF4y2Ba表明模型具有延时模型中表现最差。此外,作为显示在图gydF4y2Ba 9(一个)gydF4y2Ba,MLP-PSO散射点更接近45°线相比MLP-GA散点。gydF4y2Ba

 3.3.2。每月的规模gydF4y2Ba

计算出的gydF4y2Ba RgydF4y2Ba2gydF4y2Ba软计算模型表明,MLP-WWO有最好的性能比其他模型和算法优于遗传算法。总之,中长期规划的混合模型独立的模型(图中表现出来gydF4y2Ba 9 (b)gydF4y2Ba)。gydF4y2Ba

 3.4。概率分布的研究gydF4y2Ba

训练数据随机抽样gydF4y2Ba 米gydF4y2Ba次更换建立模型并评估其了无每个重新取样。gydF4y2Ba 米gydF4y2Ba训练模型被用来计算了无基于验证数据。这种方法被用来执行预测数据和观测数据的拟合优度。gydF4y2Ba

这个过程可能需要很高的计算时间,这取决于模式的数量。近似的概率分布分析了无了无后,其重要性评估是基于95%可信区间(CI)(表gydF4y2Ba 6gydF4y2Ba)。结果分析预测每日和每月等如下:gydF4y2Ba

水文模型的分类(gydF4y2Ba 40gydF4y2Ba]。gydF4y2Ba

拟合优度gydF4y2Ba 模型的准确性gydF4y2Ba
0.90≤了无≤1gydF4y2Ba 很好gydF4y2Ba
0.80≤了无≤0.90gydF4y2Ba 好gydF4y2Ba
0.65≤了无≤0.80gydF4y2Ba 令人满意的gydF4y2Ba
分析了无≤0.65gydF4y2Ba 令人不满意的gydF4y2Ba
3.4.1。日常场景(研究)gydF4y2Ba

图gydF4y2Ba 10 ()gydF4y2Ba显示如何了无> 0.80的概率高达93% MLP-WWO模型。因此,MLP-GA模型没有达到0.90了无和下降到0.50到0.89(图gydF4y2Ba (11日)gydF4y2Ba)。MLP-PSO的结果显示,超过60%的CIs是高于0.80了无(图gydF4y2Ba (11日)gydF4y2Ba)。根据结果,MLP-PSO比MLP-GA MLP-WWO。gydF4y2Ba

算法的收敛曲线(a)每日规模和(b)每月规模。gydF4y2Ba

分析了无的概率分布:(a)每月每日ET和(b)等。gydF4y2Ba

 3.4.2。每月的场景(研究)gydF4y2Ba

对于MLP-WWO,结果表明,93%以上的CIs 0.80以上分析了无(图gydF4y2Ba 11 (b)gydF4y2Ba)。因此,MLP-GA模型未能达到0.90了无和下降到0.5到0.87(图gydF4y2Ba 11 (b)gydF4y2Ba)。gydF4y2Ba

基于图gydF4y2Ba 10gydF4y2Ba收敛曲线显示,WWO转换比其他方法。gydF4y2Ba

 4所示。结论gydF4y2Ba

在这项研究中,软计算模型被用作软计算模型的输入。使用生成的预测模型是滞后ET值Aidoghmoush盆地(伊朗)。然后,输出的软计算模型进行了比较,表明,中长期规划MLP-WWO优于其他模型。此外,MLP-WWO的美是1.3%,2.5%,和3.3%低于MLP-PSO, MLP-GA,延时模型在日常规模模型。MLP-WWO的美是7.2%,14%,和17%低于MLP-PSO, MLP-GA和延时模型在每月的规模。此外,输出相关MLP-WWO接近观测数据。最后,它必须指出,适当的优化算法影响独立的软计算模型的准确性。因此,一个健壮的优化算法的选择是一个重要的问题对于发展软计算模型。未来的调查可以开发模型的性能的研究。提出的模型可用于预测其他水文变量如降水、温度、径流。 Furthermore, the next studies can investigate the effect of uncertainty on the accuracy of the models.

 数据可用性gydF4y2Ba

使用的数据来支持本研究的发现可以从相应的作者在合理的请求。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者证明他们没有从属关系或参与任何组织或实体的任何经济利益在本文的主题。gydF4y2Ba

 RamaswamygydF4y2Ba V。gydF4y2Ba 萨利赫gydF4y2Ba F。gydF4y2Ba 基于整体的预测和优化框架,从供水水库防洪优化版本gydF4y2Ba 水资源管理gydF4y2Ba 2020年gydF4y2Ba 34gydF4y2Ba 989年gydF4y2Ba 1004年gydF4y2Ba 10.1007 / s11269 - 019 - 02481 - 8gydF4y2Ba 穆罕默gydF4y2Ba M。gydF4y2Ba 法拉兹-法曾gydF4y2Ba 年代。gydF4y2Ba Farhad穆萨维gydF4y2Ba 年代。gydF4y2Ba KaramigydF4y2Ba H。gydF4y2Ba 调查的一种新的混合优化算法性能库基准系统的优化运行gydF4y2Ba 水资源管理gydF4y2Ba 2019年gydF4y2Ba 33gydF4y2Ba 4767年gydF4y2Ba 4782年gydF4y2Ba 10.1007 / s11269 - 019 - 02393 - 7gydF4y2Ba PashazadehgydF4y2Ba 一个。gydF4y2Ba 爪哇人gydF4y2Ba M。gydF4y2Ba 基因表达式编程的比较,人工神经网络(ANN)和等效Muskingum流入模型在多个分支河流的洪水演算gydF4y2Ba 理论和应用气候学gydF4y2Ba 2020年gydF4y2Ba 139年gydF4y2Ba 3 - 4gydF4y2Ba 1349年gydF4y2Ba 1362年gydF4y2Ba 10.1007 / s00704 - 019 - 03032 - 2gydF4y2Ba BanadkookigydF4y2Ba F。gydF4y2Ba EhteramgydF4y2Ba M。gydF4y2Ba 艾哈迈德gydF4y2Ba a . N。gydF4y2Ba 加强地下水位预测使用一个集成的机器学习模型优化的鲸鱼算法gydF4y2Ba 自然资源研究gydF4y2Ba 2020年gydF4y2Ba 29日gydF4y2Ba 3233年gydF4y2Ba 3252年gydF4y2Ba 10.1007 / s11053 - 020 - 09634 - 2gydF4y2Ba 法拉兹-法曾gydF4y2Ba 年代。gydF4y2Ba FaridehgydF4y2Ba n . C。gydF4y2Ba AnarakigydF4y2Ba m V。gydF4y2Ba 马赫莫迪安gydF4y2Ba F。gydF4y2Ba 引入一个建模框架废水除药物电化学的基于数据挖掘算法,散点插值法、多准则决策分析(做)gydF4y2Ba 《清洁生产gydF4y2Ba 2020年gydF4y2Ba 266年gydF4y2Ba 10.1016 / j.jclepro.2020.122075gydF4y2Ba KovoorgydF4y2Ba g . M。gydF4y2Ba NandagirigydF4y2Ba lgydF4y2Ba 辛格gydF4y2Ba V。gydF4y2Ba 亚达夫gydF4y2Ba 年代。gydF4y2Ba YadavagydF4y2Ba R。gydF4y2Ba 灵敏度分析的FAO-56 penman-monteith参考蒸散估算使用蒙特卡洛模拟gydF4y2Ba 水文建模。水科技图书馆gydF4y2Ba 2018年gydF4y2Ba 新加坡gydF4y2Ba 施普林格gydF4y2Ba 10.1007 / 978 - 981 - 10 - 5801 - 1 - _6gydF4y2Ba 黄gydF4y2Ba G。gydF4y2Ba 吴gydF4y2Ba lgydF4y2Ba 马gydF4y2Ba X。gydF4y2Ba 评价CatBoost方法预测的参考蒸散在潮湿的地区gydF4y2Ba 《水文gydF4y2Ba 2019年gydF4y2Ba 574年gydF4y2Ba 1029年gydF4y2Ba 1041年gydF4y2Ba 10.1016 / j.jhydrol.2019.04.085gydF4y2Ba 2 - s2.0 - 85065830065gydF4y2Ba 金博gydF4y2Ba b。gydF4y2Ba BootegydF4y2Ba k·J。gydF4y2Ba 模拟玉米蒸散:29个玉米模型之间进行对比gydF4y2Ba 农业和森林气象学gydF4y2Ba 2019年gydF4y2Ba 271年gydF4y2Ba 264年gydF4y2Ba 284年gydF4y2Ba 10.1016 / j.agrformet.2019.02.037gydF4y2Ba 2 - s2.0 - 85063037951gydF4y2Ba 期刊gydF4y2Ba J。gydF4y2Ba 改进的性能质量transfer-based参考蒸散估算方法通过耦合wavelet-random森林的方法gydF4y2Ba 《水文gydF4y2Ba 2018年gydF4y2Ba 561年gydF4y2Ba 737年gydF4y2Ba 750年gydF4y2Ba 10.1016 / j.jhydrol.2018.04.042gydF4y2Ba 2 - s2.0 - 85046354923gydF4y2Ba FarzanpourgydF4y2Ba H。gydF4y2Ba 期刊gydF4y2Ba J。gydF4y2Ba SadraddinigydF4y2Ba 答:一个。gydF4y2Ba TrajkovicgydF4y2Ba 年代。gydF4y2Ba 全球比较20个参考蒸散方程的半干旱地区的伊朗gydF4y2Ba 水文研究gydF4y2Ba 2019年gydF4y2Ba 50gydF4y2Ba 1gydF4y2Ba 282年gydF4y2Ba 300年gydF4y2Ba 10.2166 / nh.2018.174gydF4y2Ba 2 - s2.0 - 85054331624gydF4y2Ba 期刊gydF4y2Ba J。gydF4y2Ba 在岛环境建模参考蒸散:评估实际意义gydF4y2Ba 《水文gydF4y2Ba 2019年gydF4y2Ba 570年gydF4y2Ba 265年gydF4y2Ba 280年gydF4y2Ba 10.1016 / j.jhydrol.2018.12.068gydF4y2Ba 2 - s2.0 - 85060302987gydF4y2Ba SaggigydF4y2Ba m·K。gydF4y2Ba 耆那教徒的gydF4y2Ba 年代。gydF4y2Ba 参考蒸散估算和建模的旁遮普使用深度学习印度北部gydF4y2Ba 计算机和电子产品在农业gydF4y2Ba 2019年gydF4y2Ba 156年gydF4y2Ba 387年gydF4y2Ba 398年gydF4y2Ba 10.1016 / j.compag.2018.11.031gydF4y2Ba 2 - s2.0 - 85057824314gydF4y2Ba 期刊gydF4y2Ba J。gydF4y2Ba KişigydF4y2Ba O。gydF4y2Ba LanderasgydF4y2Ba G。gydF4y2Ba 每日参考蒸散模型利用遗传规划方法在巴斯克国家(西班牙北部)gydF4y2Ba 《水文gydF4y2Ba 2012年gydF4y2Ba 415年gydF4y2Ba 302年gydF4y2Ba 316年gydF4y2Ba 10.1016 / j.jhydrol.2011.11.004gydF4y2Ba 2 - s2.0 - 84855193767gydF4y2Ba TabarigydF4y2Ba H。gydF4y2Ba 马丁内斯gydF4y2Ba C。gydF4y2Ba EzanigydF4y2Ba 一个。gydF4y2Ba Hosseinzadeh TalaeegydF4y2Ba P。gydF4y2Ba 适用性的支持向量机和自适应neurofuzzy推理系统的建模马铃薯作物蒸散gydF4y2Ba 灌溉科学gydF4y2Ba 2013年gydF4y2Ba 31日gydF4y2Ba 575年gydF4y2Ba 588年gydF4y2Ba 10.1007 / s00271 - 012 - 0332 - 6gydF4y2Ba 2 - s2.0 - 84879235935gydF4y2Ba 罗gydF4y2Ba Y。gydF4y2Ba 特拉奥雷gydF4y2Ba 年代。gydF4y2Ba 律gydF4y2Ba X。gydF4y2Ba 中程每日参考蒸散预测通过使用安和公众天气预报gydF4y2Ba 水资源管理gydF4y2Ba 2015年gydF4y2Ba 29日gydF4y2Ba 帕蒂尔gydF4y2Ba 答:P。gydF4y2Ba 钱德拉DekagydF4y2Ba P。gydF4y2Ba 一个极端学习机方法为蒸散的建模使用外部输入gydF4y2Ba 计算机和电子产品在农业gydF4y2Ba 2016年gydF4y2Ba 121年gydF4y2Ba 10.1016 / j.compag.2016.01.016gydF4y2Ba 2 - s2.0 - 84954489395gydF4y2Ba 帕蒂尔gydF4y2Ba 答:P。gydF4y2Ba 钱德拉DekagydF4y2Ba P。gydF4y2Ba 绩效评估的混合wavelet-ANN和wavelet-ANFIS模型估算蒸散在干旱地区的印度gydF4y2Ba 神经计算与应用gydF4y2Ba 2017年gydF4y2Ba 28gydF4y2Ba 10.1007 / s00521 - 015 - 2055 - 0gydF4y2Ba 2 - s2.0 - 84940969483gydF4y2Ba SeifigydF4y2Ba 一个。gydF4y2Ba RiahigydF4y2Ba H。gydF4y2Ba 估计每日参考蒸散使用混合伽马test-least平方支持向量机,γtest-ann和伽玛test-anfis模型在伊朗的干旱地区gydF4y2Ba 水和气候变化》杂志上gydF4y2Ba 2020年gydF4y2Ba 11gydF4y2Ba 10.2166 / wcc.2018.003gydF4y2Ba GhorbanigydF4y2Ba m·A。gydF4y2Ba KazempourgydF4y2Ba R。gydF4y2Ba 洲gydF4y2Ba k W。gydF4y2Ba ShamshirbandgydF4y2Ba 年代。gydF4y2Ba PezhmangydF4y2Ba t·G。gydF4y2Ba 预测gydF4y2Ba 锅gydF4y2Ba蒸发和一个集成人工神经网络研究粒子群优化模型:一个案例研究在Talesh,伊朗北部gydF4y2Ba 计算流体力学的工程应用gydF4y2Ba 2018年gydF4y2Ba 12gydF4y2Ba 1gydF4y2Ba 724年gydF4y2Ba 737年gydF4y2Ba 10.1080 / 19942060.2018.1517052gydF4y2Ba 2 - s2.0 - 85058654954gydF4y2Ba 关gydF4y2Ba Y。gydF4y2Ba 穆罕默gydF4y2Ba B。gydF4y2Ba 范教授gydF4y2Ba 问:B。gydF4y2Ba 一个新颖的方法来预测每日盘蒸发在伊朗的沿海地区使用支持向量回归加上磷虾群算法模型gydF4y2Ba 理论和应用气候学gydF4y2Ba 2020年gydF4y2Ba 142年gydF4y2Ba 10.1007 / s00704 - 020 - 03283 - 4gydF4y2Ba MohamadigydF4y2Ba 年代。gydF4y2Ba EhteramgydF4y2Ba M。gydF4y2Ba El-ShafiegydF4y2Ba 一个。gydF4y2Ba 增强准确性每月蒸发预测模型利用进化的机器学习方法gydF4y2Ba 国际环境科学与技术》杂志上gydF4y2Ba 2020年gydF4y2Ba 17gydF4y2Ba 1gydF4y2Ba 24gydF4y2Ba 10.1007 / s13762 - 019 - 02619 - 6gydF4y2Ba BanadkookigydF4y2Ba f . B。gydF4y2Ba EhteramgydF4y2Ba M。gydF4y2Ba 艾哈迈德gydF4y2Ba a . N。gydF4y2Ba 悬浮泥沙负荷预测使用人工神经网络和狮子蚂蚁优化算法gydF4y2Ba 环境科学与污染研究gydF4y2Ba 2020年gydF4y2Ba 27gydF4y2Ba 30.gydF4y2Ba 38094年gydF4y2Ba 38116年gydF4y2Ba 10.1007 / s11356 - 020 - 09876 - wgydF4y2Ba EhteramgydF4y2Ba M。gydF4y2Ba 萨利赫gydF4y2Ba 美国问。gydF4y2Ba YaseengydF4y2Ba z . M。gydF4y2Ba 反渗透海水淡化装置的效率评估使用杂化粒子群优化的多层感知器gydF4y2Ba 环境科学与污染研究gydF4y2Ba 2020年gydF4y2Ba 27gydF4y2Ba 5278年gydF4y2Ba 15291年gydF4y2Ba 10.1007 / s11356 - 020 - 08023 - 9gydF4y2Ba MohamadigydF4y2Ba 年代。gydF4y2Ba Sh SammengydF4y2Ba 年代。gydF4y2Ba 帕纳西gydF4y2Ba F。gydF4y2Ba 干旱预测区划图与游牧民族使用集成的机器学习模型优化算法gydF4y2Ba 自然灾害gydF4y2Ba 2020年gydF4y2Ba 104年gydF4y2Ba 537年gydF4y2Ba 579年gydF4y2Ba 10.1007 / s11069 - 020 - 04180 - 9gydF4y2Ba EhteramgydF4y2Ba M。gydF4y2Ba 张志贤gydF4y2Ba f . Y。gydF4y2Ba 艾哈迈德gydF4y2Ba a . N。gydF4y2Ba 性能改进渗透速率预测使用杂化自适应神经模糊推理系统(简称ANFIS)优化算法gydF4y2Ba Ain Shams工程杂志gydF4y2Ba 2020年gydF4y2Ba 12gydF4y2Ba 1665年gydF4y2Ba 1676年gydF4y2Ba 10.1016 / j.asej.2020.08.019gydF4y2Ba 阮gydF4y2Ba H。gydF4y2Ba MoayedigydF4y2Ba H。gydF4y2Ba JusohgydF4y2Ba W·a·W。gydF4y2Ba ·沙里夫gydF4y2Ba 一个。gydF4y2Ba 提出一种新颖的预测技术使用M5Rules-PSO模型估算建筑节能系统的冷负荷gydF4y2Ba 与计算机工程gydF4y2Ba 2020年gydF4y2Ba 35gydF4y2Ba 10.1007 / s00366 - 019 - 00735 - ygydF4y2Ba 周gydF4y2Ba Y。gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 杨gydF4y2Ba X。gydF4y2Ba 凌gydF4y2Ba Y。gydF4y2Ba 最优无功功率使用水波优化调度算法gydF4y2Ba 运筹学gydF4y2Ba 2018年gydF4y2Ba 20.gydF4y2Ba 1gydF4y2Ba 17gydF4y2Ba 10.1007 / s12351 - 018 - 0420 - 3gydF4y2Ba 2 - s2.0 - 85052513354gydF4y2Ba HematabadigydF4y2Ba 一个。gydF4y2Ba ForoudgydF4y2Ba 答:一个。gydF4y2Ba 优化多目标投标策略使用min-max技术和修改水波优化方法gydF4y2Ba 神经计算与应用gydF4y2Ba 2019年gydF4y2Ba 31日gydF4y2Ba 10.1007 / s00521 - 018 - 3361 - 0gydF4y2Ba 2 - s2.0 - 85045030332gydF4y2Ba 刘gydF4y2Ba 一个。gydF4y2Ba 彭gydF4y2Ba lgydF4y2Ba 太阳gydF4y2Ba W。gydF4y2Ba 通过神经网络预测micro-alloyed钢的机械性能被水波优化学习gydF4y2Ba 神经计算与应用gydF4y2Ba 2020年gydF4y2Ba 32gydF4y2Ba 10.1007 / s00521 - 019 - 04149 - 1gydF4y2Ba 2 - s2.0 - 85064159677gydF4y2Ba 汉gydF4y2Ba Y。gydF4y2Ba 吴gydF4y2Ba J。gydF4y2Ba 翟gydF4y2Ba B。gydF4y2Ba 耦合与XGBoost蝙蝠算法估计参考蒸散在中国的干旱和半干旱地区gydF4y2Ba 气象学的进展gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 9575782gydF4y2Ba 10.1155 / 2019/9575782gydF4y2Ba AlasaligydF4y2Ba F。gydF4y2Ba 斯蒂芬。gydF4y2Ba H。gydF4y2Ba HolderbaumgydF4y2Ba W。gydF4y2Ba 为轮胎式龙门吊起重机随机最优能源管理系统网络使用遗传算法和整体预测gydF4y2Ba 杂志的能量储存gydF4y2Ba 2019年gydF4y2Ba 24gydF4y2Ba 10.1016 / j.est.2019.100759gydF4y2Ba 2 - s2.0 - 85065056245gydF4y2Ba 李gydF4y2Ba M。gydF4y2Ba 陈gydF4y2Ba H。gydF4y2Ba 王gydF4y2Ba X。gydF4y2Ba 钟gydF4y2Ba N。gydF4y2Ba 陆gydF4y2Ba 年代。gydF4y2Ba 一种改进的粒子群优化算法自适应惯性权重gydF4y2Ba 国际期刊的信息技术和决策gydF4y2Ba 2019年gydF4y2Ba 18gydF4y2Ba 03gydF4y2Ba 833年gydF4y2Ba 866年gydF4y2Ba 10.1142 / s0219622019500147gydF4y2Ba 2 - s2.0 - 85064614868gydF4y2Ba 郑gydF4y2Ba Y.-J。gydF4y2Ba 水波优化:一个新的自然metaheuristicgydF4y2Ba 电脑与行动研究gydF4y2Ba 2015年gydF4y2Ba 55gydF4y2Ba 1gydF4y2Ba 11gydF4y2Ba 10.1016 / j.cor.2014.10.008gydF4y2Ba 2 - s2.0 - 84908637576gydF4y2Ba AshrafzadehgydF4y2Ba 一个。gydF4y2Ba GhorbanigydF4y2Ba m·A。gydF4y2Ba BiazargydF4y2Ba s M。gydF4y2Ba YaseengydF4y2Ba z . M。gydF4y2Ba 蒸发过程建模在伊朗北部:应用程序的一个综合data-intelligence模型磷虾群优化算法gydF4y2Ba 水文科学杂志gydF4y2Ba 2019年gydF4y2Ba 64年gydF4y2Ba 10.1080 / 02626667.2019.1676428gydF4y2Ba Heidari对伊朗伊斯兰共和国通讯社表示gydF4y2Ba 答:一个。gydF4y2Ba 阴gydF4y2Ba Y。gydF4y2Ba MafarjagydF4y2Ba M。gydF4y2Ba 拉里说道gydF4y2Ba s·m·J。gydF4y2Ba 越南盾gydF4y2Ba j·S。gydF4y2Ba MirjaliligydF4y2Ba 年代。gydF4y2Ba 高效moth-flame-based neuroevolution模型gydF4y2Ba 智能系统的算法。在进化的机器学习技术gydF4y2Ba 2020年gydF4y2Ba 新加坡gydF4y2Ba 施普林格gydF4y2Ba 10.1007 / 978 - 981 - 32 - 9990 - 0 - _4gydF4y2Ba AshoftehgydF4y2Ba psi。gydF4y2Ba Bozorg-HaddadgydF4y2Ba O。gydF4y2Ba LoaicigagydF4y2Ba h·A。gydF4y2Ba 逻辑遗传规划(LGP)发展灌溉供水在气候变化条件下的对冲gydF4y2Ba 灌溉和排水gydF4y2Ba 2017年gydF4y2Ba 66年gydF4y2Ba 4gydF4y2Ba 530年gydF4y2Ba 541年gydF4y2Ba 10.1002 / ird.2144gydF4y2Ba 2 - s2.0 - 85021772804gydF4y2Ba 这gydF4y2Ba R。gydF4y2Ba KarbassigydF4y2Ba a。R。gydF4y2Ba MoghaddamniagydF4y2Ba 一个。gydF4y2Ba 评估的输入变量确定支持向量机使用PCA模型性能,伽马测试和选择每月流量预测技术gydF4y2Ba 《水文gydF4y2Ba 2011年gydF4y2Ba 401年gydF4y2Ba 10.1016 / j.jhydrol.2011.02.021gydF4y2Ba 2 - s2.0 - 79953796890gydF4y2Ba 这gydF4y2Ba R。gydF4y2Ba KhakpourgydF4y2Ba 一个。gydF4y2Ba OmidvargydF4y2Ba B。gydF4y2Ba FarokhniagydF4y2Ba 一个。gydF4y2Ba 比较安和主成分analysis-multivariate线性回归模型预测河流流基础上发展差异率的统计gydF4y2Ba 专家系统与应用程序gydF4y2Ba 2010年gydF4y2Ba 37gydF4y2Ba 10.1016 / j.eswa.2010.02.020gydF4y2Ba 2 - s2.0 - 77951204309gydF4y2Ba 金gydF4y2Ba j . M。gydF4y2Ba 李gydF4y2Ba J。gydF4y2Ba 时间序列分析评价水文响应的孔隙水压力在斜坡降雨gydF4y2Ba 水文科学杂志gydF4y2Ba 2017年gydF4y2Ba 62年gydF4y2Ba 10.1080 / 02626667.2017.1328105gydF4y2Ba 2 - s2.0 - 85020218854gydF4y2Ba MoriasigydF4y2Ba d . N。gydF4y2Ba 阿诺德gydF4y2Ba j·G。gydF4y2Ba 刘范gydF4y2Ba m·W。gydF4y2Ba BingnergydF4y2Ba r . L。gydF4y2Ba 马克的gydF4y2Ba r D。gydF4y2Ba 威斯gydF4y2Ba t . L。gydF4y2Ba 模型评价指南系统量化流域模拟的准确性gydF4y2Ba 交易的ASABEgydF4y2Ba 2007年gydF4y2Ba 50gydF4y2Ba 3gydF4y2Ba 885年gydF4y2Ba 900年gydF4y2Ba 10.13031/2013.23153gydF4y2Ba