کاربرد مدلهای شبکه عصبی مصنوعی و مدل M5 در شبیه سازی جریان ماهانه(مطالعه موردی: رودخانه استور)

نوع مقاله: مقاله علمی -پژوهشی

نویسندگان

1 دانشجوی دکتری آبخیزداری، دانشکده منابع طبیعی دانشگاه تهران، تهران، ایران

2 مربی دانشکده منابع طبیعی، دانشگاه جیرفت، جیرفت، ایران

3 دانشجوی دکتری بیابان‌زدایی، دانشکده منابع طبیعی دانشگاه تهران، تهران، ایران

چکیده

    مدیریت موثر منابع آبی در یک رودخانه نیازمند شناخت صحیح و کامل از فرآیندهایی است که در آن رخ می‌دهد. روش­های هوش مصنوعی می­توانند کارایی بالایی جهت شبیه­سازی جریان رودخانه در مقیاس­های مختلف زمانی و مکانی داشته باشند. در این مطالعه از روش شبکه عصبی مصنوعی و مدل نمودار درختی M5 جهت شبیه‌سازی ماهانه جریان رودخانه در ایستگاه استور استفاده گردید. جهت شبیه‌سازی داده­های دبی جریان ماهانه در این ایستگاه, از داده­های دبی ثبت شده در چهار ایستگاه هیدرومتری بالادست و یک ایستگاه اقلیمی استفاده گردید. جهت مقایسه نتایج دو روش شبکه عصبی مصنوعی و مدل M5، از دو معیار مجذور میانگین مربعات خطا و ضریب تبیین استفاده گردید. نتایج نشان داد شبکه عصبی مصنوعی با ساختار یک لایه مخفی با چهار نرون کارایی بیشتری نسبت به مدل M5 دارد. خطای مدل شبکه عصبی مصنوعی 40/25 با ضریب همبستگی 93/0 و خطای مدل M5 18/28 با ضریب همبستگی 92/0 به دست آمد. با افزایش نرون‌های محاسباتی در لایه مخفی کارایی شبکه عصبی مصنوعی کاهش یافت. 

کلیدواژه‌ها


شریفی م. و صالحی سده ر. ١٣٨٤. کاربرد شبکه‌های عصبی در پیش بینی جریان رودخانه در حوزه معرف کارده. کمیته تحقیقات شرکت سهامی آب منطقه ای خراسان. دفتر فنی و پژوهش‌های کاربردی شرکت مدیریت منابع آب ایران.

Abrahart, R. J. , See, L. , Kneal, P. E. , 2001. Investigating the role of saliency analysis with neural network rainfall–runoff model. Computers and Geosciences 27,921-928.

Alp, M. , C. g. . zog. lu, H. K. , 2004. Modelling of rainfall. runoff relationship by different artificial intelligence methods. ITU Journal 3 (1), 80. 88 (In Turkish).

Bhattacharya, B. , and Solomatine, D. P. , Neural networks and M5 model trees in modeling water level–discharge relationship, Neurocomputing, 2005, vol. 63,pp. 381–396.

Cigizoglu, H. K. , H. K. , 2002. Suspended sediment estimation and forecasting using artificial neural networks. Turkish Journal of Engineering and Environmental Sciences 26 (2002), 16. 26

Cigizoglu, H. K. and Alp, M. , 2008. Generalized Regression Neural Network in Modeling River Sediment Yield. Journal of Advances in Engineering Software, 37: 63-67.

Erkan Turan, M. , Ali Yurdusev, M. 2009. River flow estimation from upstream flow records by artificial intelligence methods. Journal of hydrology. 369, 71-77.

Furundzic, D. , 1998. Application example of neural networks for time series analysis: rainfall–runoff modeling. Signal Processing 64, 383–396.

Lippmann, R. P. , 1987. An introduction to computing with neural nets. IEEE ASSP Mag. , 4–22.

Minns, A. W. , Hall, M. J. , 1996. Artificial neural networks as rainfall–runoff models. Hydrological Sciences Journal 41 (3), 399–417.

Quinlan, J. R. , Learning with continuous classes. In: Proc. AI'92 (Fifth Australian Joint Conf. on Arti_cial Intelligence)(ed. by A. Adams & L. Sterling), 343{348. World Scienti_c, Singapore. 1992.

Sajikumar, N. , Thandaveswara, B. S. , 1999. A non-linear rainfall–runoff model using an artificial neural network. Journal of Hydrology 216, 32–55.

See, L. , Corne, S. , Dougherty, M. , Openshaw, S. , 1997. Some initial experiments with neural network models of flood forecasting on the River Ouse. In: Proceedings of the 2nd International Conference on GeoComputation.

Shamseldin, A. Y. , 1997. Application of a neural network technique to rainfall–runoff modeling. Journal of Hydrology 199, 272–294.

Solomatine, D. P. and Avila Torres, L. A. , Neural network approximation of a hydrodynamic model in optimizing reservoir operation, In: Proceedings of the second international conference on hydroinformatics, Zurich. pp. 201-206, 1996.

Stravs, L. and Brilly, M. , Development of a low flow forecasting model using the M5 machine learning method, Hydrological Sciences, 2007, vol. 52, no. 3, pp. 466–477.

Tang, Z. , Fishwick, P. A. , 1993. Feedforward neural nets as models for time series forecasting. ORSA J. Comput. 5 (4), 374–385.

Wei Chih_Chiang and Hsu Nien_Sheng, Optimal tree based release rules for real_time flood control operations on a multipurpose multireservoir system, J. Hydrology, 2009, vol. 365, pp. 213–224.

Witten, I. H. and Frank, E. , Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. Morgan Kaufmann: San Francisco. 2005.

Wong, F. S. , 1991. Time series forecasting using backpropagation neural networks. Neurocomputing 2, 147–159.

Toker, A. S. and Markus, M. 2000. Precipitation-Runoff Modeling using Artificial Neural Network and ConceptualModels, Journal of Hydrologic Engineering, 5(2):156-161.

Xiong, L. , O'Connor, K. M. and Goswami, M. 1999. Application of the Artificial Neural Network (ANN) in Flood Forecasting on a Karstic Catchment, Conceptual and Neural Network Models, Journal of Hydrology, 321(1-4):344-363.