نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشجوی کارشناسی‌ارشد مهندسی و مدیریت منابع آب، گروه مهندسی عمران، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران
2 استادیار گروه مهندسی عمران، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران
چکیده
پیش‌بینی آبدهی رودخانه در حوزه‌های آبخیز از جایگاه ویژه‌ای در مدیریت و برنامه‌ریزی منابع آب به‌منظور طراحی تأسیسات آبی، آبگیری از رودخانه‌ها، مدیریت مصرف و مواردی از این قبیل برخوردار است. در پژوهش حاضر، عملکرد برخی از مدل‌های تلفیق داده شامل میانگین‌گیری ساده، میانگین‌گیری وزن‌دار و مدل شبکه عصبی مصنوعی تلفیقی در مدل‌سازی آبدهی ماهانه مورد ارزیابی و مقایسه قرار گرفته است. به همین منظور، ابتدا با استفاده از مدل‌های شبکه عصبی مصنوعی (ANN)، سامانه استنتاج عصبی-فازی تطبیقی (ANFIS)، مدل آریما (ARIMA) و مدل رگرسیون بردار پشتیبان (SVR) به‌عنوان مدل‌های منفرد، پیش‌بینی آبدهی ماهانه در حوزه آبخیز بالادست سد جیرفت مورد بررسی قرار گرفت. سپس، مدل‌های منفرد با استفاده از متغیرهای پیش‌بینی کننده منتخب، آموزش و صحت‌سنجی شده، نتایج آن‌ها برای استفاده در فرایند تلفیق انتخاب شد. همچنین، از سیگنال‌های بزرگ مقیاس اقلیمی شامل NAO، ENSO و PDO در پیش‌بینی‌های هیدرولوژیک جریان رودخانه استفاده شده، عملکرد مدل‌های منفرد و تلفیقی در دو حالت با در نظر گرفتن این سیگنال‌ها و بدون در نظر گرفتن آن‌ها، بر اساس ارزیابی سه معیاره نش-ساتکلیف (NSE)، ضریب تبیین (R2) و میانگین مربعات خطا (MSE) مورد مقایسه قرار گرفته است. نتایج حاصل از این پژوهش حاکی از آن بود که رویکرد تلفیق داده دقت پیش‌بینی‌ها را تا حد قابل ملاحظه‌ای افزایش می‌دهد. علاوه بر این، مشخص شد که سیگنال‌های بزرگ مقیاس اقلیمی منجر به بهبود نتایج خصوصاً در دوره تست شده است. به‌عنوان مثال، نتایج حاصل از مدل تلفیقی ANN به همراه سیگنال‌های بزرگ مقیاس اقلیمی نشان می‌دهد که این مدل بهترین عملکرد را در میان مدل‌های تلفیق داده دارا میباشد. همچنین، معیار NSE نسبت به مدل تلفیقی ANN بدون سیگنال‌های بزرگ مقیاس در دوره آموزش 0.04 بهبود یافته، خطای MSE به میزان 0.001 کاهش پیدا کرده است.
کلیدواژه‌ها
عنوان مقاله [English]
Application of data fusion models in river flow simulation using signals of large-scale climate, case study: Jiroft Dam Basin
نویسندگان [English]
- Nasrin Mirzaee 1
- Amirpouya Sarraf 2
1 MSc Student of Water Resource Engineering and Management, Department of Civil Engineering, Roudehen Branch, Islamic Azad university, Roudehen, Iran
2 2Assistant Professor, Department of Civil Engineering, Roudehen Branch, Islamic Azad university, Roudehen, Iran
چکیده [English]
River runoff forecasting in watersheds has a special place in the management and planning of water resources for the design of water facilities, water intake from rivers, consumption management and etc. In the present study, the performance of some data integration models including simple averaging, weighted averaging and integrated artificial neural network model in monthly discharge modeling has been evaluated and compared. For this purpose, monthly flow prediction in upstream basin of Jiroft Dam was examined using Artificial Neural Network (ANN) models, Adaptive Neural-Fuzzy Inference System (ANFIS), ARIMA model and Support Vector Regression (SVR) model as an individual model. Then, the individual models were trained and validated using selected predictor variables and their results were selected for use in the integration process. Large-scale climatic signals including NAO, ENSO and PDO are also used in hydrological forecasts of river flow and the performance of single and integrated models in two modes with and without considering these signals has been compared based on the evaluation of three criteria Nash-Sutcliffe (NSE), Coefficient of determination (R2) and Mean Square Error (MSE). Results of this study indicated that the integrated approach significantly increases the accuracy of predictions. In addition, large-scale climatic signals were found to improve results, especially during the test period. For example, the results of the integrated model of artificial neural network with large climatic scale signals show that this model has the best performance among the integrated models. Also, the NSE criterion has improved by 0.04 in training compared to the integrated model of artificial neural network without large-scale signals and the MSE error has been reduced by 0.001.
کلیدواژه‌ها [English]
- Adaptive Neural-Fuzzy Network Model (ANFIS)
- Artificial Neural Network (ANN)
- ARIMA time series model
- Data fusion models
- ENSO
- NAO
- PDO
- Support Vector Regression (SVR) model
- Abrishamchi, A., H. Ashuri and H. Moradkhani. 2013. Long-term forecast of Zayandehrud River flow using collective flow forecasting technique (ESP) and large climatic scale signals. 8th International Congress of Civil Engineering, Shiraz, Shiraz University.
- Adamowski, J. and F.H. Chan. 2011. A wavelet neural network conjunction model for groundwater level forecasting. Journal of Hydrology, 407(4): 28-40.
- Afkhamifar, S. and A.P. Sarraf. 2020. Prediction of groundwater level in Urmia Plain aquifer using hybrid model of wavelet Transform-Extreme Learning Machine based on quantum particle swarm optimization. Watershed Engineering and Management, 12(2): 351-364 (in Persian).
- Ahmadi, F., F. Radmanesh and R. Mir Abbasi. 2015. Comparison of genetic programming methods and support vector machine in predicting daily river flow, case study: Barandozchay River. Journal of Water and Soil (Agricultural Sciences and Industries), 28(6): 1162-1171.
- Azmi, M., S. Araghinejad and M. Kholghi. 2010. Multi model data fusion for hydrological forcasting using K-Nearest Neighbour Method. Iranian Journal of Science and Technology, 34(B1): 81-92.
- BabaAli, H.R. and R. Dehghani. 2017. Comparison of wave and neural network models in groundwater level forecasting. Hydrogeology, 2(2): 96-108.
- Bilandi, M., A. Khashiee Siuki and P. Sadeghi Tabas. 2015. Forecast of Ravanab daily with the model of minimum squares of support vector machine. Journal of Water and Soil Protection Research, 21(6): 293-304.
- Box, G.E.P., G.M. Jenkins and G.C. Reinsel. 2008. Time series analysis, forecasting and control. 4th Edition, Englewood Cliffs, New Jersey, Prentice Hall.
- Donyaii, A.R., A.P. Sarraf and H. Ahmadi. 2020a. Optimization of reservoir dam operation using gray wolf, crow search and whale algorithms based on the solution of the nonlinear programming model. Journal of Water and Soil Science, In Press (in Persian).
- Donyaii, A.R., A.P. Sarraf and H. Ahmadi. 2020b. Multi-objective optimal utilization policy of boostan dam reservoir using whale and NSGA-II algorithms based on game theory and shannon entropy method. Iranian Water Researches Journal, In Press (in Persian).
- Moazami Goudarzi, F., A.P. Sarraf and H. Ahmadi. 2020. Prediction of runoff within Maharlu Basin for future 60 years using RCP scenarios. Arabian Journal of Geosciences, 13(605): 1-17.
- Shafaei, M., A. Fakheri Fard, S. Darbandi and M.A. Ghorbani. 2014. Predicting the daily flow of the river using the wavy hybrid model and neural network, case study of Veniar Hydrometric Station in Ajichchay catchment area. Quarterly Journal of Irrigation and Water Engineering, 4(14): 123-128.
- Shahbazi, A., A. Akhund Ali and F. Radmanesh. 2014. River flow forecasting using group flow forecasting (ESP). National Conference on Civil Engineering and Sustainable Development with a Focus on Reducing the Risk of Natural Disasters, Mashhad, Khavaran Higher Education Institute.
- Sveinsson, O.G.B., U. Lall, J. Gaudet, Y. Kushnir, S. Zebiak and V. Fortin. 2008. Analysis of climatic states and atmospheric circulation patterns that influence Québec spring streamflows. Journal of Hydrologic Engineering, 13(6): 1-14.
- Toofani, P., A. Mosaedi and A. Fakherifard. 2012. Precipitation forecast with direct use of wave theory. Journal of Water and Soil, 25(5): 1217-1226.
- Wang, W., P. VanGleder and J.K. Vrijling. 2005. Improving daily streamflow forecasts by combining ARMA and ANN models. In processings of the International Conference on Innovation Advances and Implementation of Flood Forecasting Technology, Tromsϕ, Norway.
- Yoon, H., S.C. Jun, Y. Hyun, G.O. Bae and K.K. Lee. 2011. A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer. Journal of Hydrology, 396: 128-138.
- Zamanirad, M., A.P. Sarraf, H. Sedghi, A. Saremi and P. Rezaee. 2019. Modeling the influence of groundwater exploitation on land subsidence susceptibility using machine learning algorithms. Natural Resources Research Journal, 29(2): 1127-1141.
)