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


عنوان مقاله [English]

Application of artificial neural networks (ANNs) and M5 tree model for river flow simulation (Case study: Stoor river)

نویسندگان [English]

  • Elham Rafiei Sardouei 1
  • Farshad Soleimani Sardou 2
  • Ali Azareh 3
1 Ph.D. student of Watershed, Natural Resources, University of Tehran, Tehran, Iran
2 Faculty member in Natural Resources, Jiroft University, Jiroft, Iran
3 Ph.D. student of Desertification, University of Tehran, Tehran, Iran
چکیده [English]

Abstract
    Effective management of water resources in a river requires accurate and complete understanding of the processes that happens. Artificial intelligent techniques can be effectively used to model river flows in varous temporal and spatial scales. In this study we used artificial neural networks and M5 tree model to investigate monthly river flows in Ostoor hydrological station. To simulate the river flow in this station, the data of 4 upstream hydrological and one climatological stations were employed. The comparison between the ANNs and M5 tree model was conducted based on the root mean square error (RMSE) and coefficient of determination (R2). Results showed that ANNs, with hidden layer and 4 computational neurons is preferred to the M5 tree model. Prediction error (RMSE) of the ANNS was 25.40 with coefficient of determination (R2=0.93) and prediction error of the M5 tree model was 28.18 with coefficient of determination (R2=0.92). Increasing the neurons in the hidden layer, the accuracy of the model decreased.     

کلیدواژه‌ها [English]

  • Artificial neural networks (ANNs)
  • M5 model
  • Monthly river flow
  • Ostoor

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.