نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشجوی دکتری، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان
2 استادیار، دانشکده کشاورزی، دانشگاه یاسوج
چکیده
پیشبینی در هیدرولوژی به معنی تخمین شرایط هیدرولوژیکی و هواشناسی در یک بازه زمانی خاص میباشد. در همین راستا، فهم رابطه بین بارش و رواناب یکی از ضروریترین مسائل برای مدیریت منابع آب میباشد. پژوهش حاضر با هدف مقایسه بین مدلهای مختلف شبکه عصبی مصنوعی (MLP وRBF) و سریهای زمانی آرما (ARMA) در برآورد دبی ماهانه در حوزه آبخیز طالقان برای یک دوره 30ساله بین سالهای 1356 تا 1386 پیریزی شد. در روش شبکه عصبی مصنوعی از توابع محرک سیگموئیدی و پارامترهای تعداد تکرار، ضریب یادگیری، تعداد نرون مخفی و خطای هدف که با استفاده از آزمون و خطا بهدست آمده، استفاده شد. همچنین، در روش آرما از بین مدلهای مختلف روشی که دارای کمترین میزان خطا و معیار سنجش آکائیک (AIC) بود بهعنوان مدل بهینه انتخاب شد. نتایج مدلسازی سریهای زمانی با استفاده از مدلهای آنالیز روند، هالت وینترز و باکس-جنکینز (آرما) حاکی از دقت بیشتر مدلهای آرما (2 و 2) (R=0.77) و هالت وینترز (R=0.72) بوده است. در مقایسه بین مدلهای شبکه عصبی مصنوعی، مدل MLP با میانگین ضریب همبستگی 0.83 نسبت به مدل RBF با میانگین ضریب همبستگی 0.81 دقت بیشتری در پیشبینی دبی نشان داده است. در مجموع دقتسنجی مدلها براساس آمارههای ریشه میانگین مربعات خطا و ضریب همبستگی حاکی از دقت بیشتر شبکه عصبی مصنوعی (ANN) نسبت به مدلهای سری زمانی (ARMA) میباشد. همچنین، ارزیابی دقت در مدلهای مختلف حاکی از دقت بیشتر مدل یک (R=0.86 و RMSE=6.45) با ورودیهای دبی یک ماه تا چهار ماه قبل بوده است. بهترین معماری در روش شبکه عصبی مصنوعی نوع MLP، مدل شماره 1 با آرایش 1-20-4 بهترتیب با چهار نرون در لایه ورودی، 20 نرون در لایه مخفی و یک نرون در لایه خروجی شناخته شد.
کلیدواژهها
عنوان مقاله [English]
Comparison prediction performance of monthly discharge using ANN and time series
نویسندگان [English]
- Majid Khazaei 1
- Mohammad Reza Mirzaei 2
1 Ph.D. Student, Faculty of Agricultural and Natural Resources, Hormozgan University, Iran,
2 Assistant Professor, Faculty of Agriculture, Yasouj University, Iran
چکیده [English]
Prediction in hydrology is as estimation of hydrological and meteorological conditions in a specific interval time. In this regard, understanding the relationship between precipitation and runoff is necessary for water resources optimal management. The purpose of this study was to compare different models of artificial neural networks (two type of ANNs: RBF and MLP) and time series models (ARMA) to discharge estimation in a part of the Taleghan watershed, using monthly flow discharge data for a period of 30 years between 1977 and 2007. Among the different ARMA models, a model with a lowest error and akaike (AIC) criterion was selected as an optimal model. Using trial and error method, ANNs were designed by specifying the number of hidden layers and neurons in each layer, sigmoidal transfer function, training function, weight/bias learning function and performance function. Using trend analysis, Halt-Winters and Box-Jenkins (ARMA) methods, time series analysis showed that ARMA (2, 2) (R= 0.77) and Halt-Winters (R=0.72) presented more accurate results. In general, it could be concluded that ANNs models produced more accurate predictions of flow discharge than time series approaches. Also, the results revealed that the MLP model (average R=0.83) produced more accurate predictions of flow discharge than RBF model (average R=0.81). Assessment of accuracy of all models based on RMSE and R showed that the model 1 (with RMSE= 6.45 and R= 0.86) obtained with a network architecture of 4-20-1 configuration. Model 1 used the input vector consisting of antecedent monthly discharge with one to four time lag.
کلیدواژهها [English]
- accuracy
- Moving average
- Regression coefficient
- Taleghan watershed
- Water resources management