بررسی کارایی روش دسته‌بندی گروهی داده‌ها و تبدیل موجک در پیش‌بینی رواناب(مطالعه موردی: حوضه آبریز قره‌سو)

نویسندگان

1 استادیار دانشکده عمران، دانشگاه یزد، یزد

2 کارشناسی ارشد مهندسی آب و سازه‌های هیدرولیکی، گروه مهندسی عمران، دانشگاه آیت اله العظمی بروجردی(ره)، بروجرد، ایران،

10.22125/iwe.2020.109914

چکیده

امروزه بکارگیری مدل­های داده محور ابزارهای جدیدی برای شبیه­سازی و مدلسازی در علوم مختلف می­باشد. فرآیند بارش- رواناب از مهم­ترین و پیچیده­ترین پدیده­ها در چرخه هیدرولوژی است. در این مطالعه ضمن معرفی مدل ترکیبی موجک-دسته­بندی گروهی داده­ها، کارایی آن جهت مدل­سازی فرآیند بارش-رواناب حوضه آبریز قره­سو مورد مطالعه قرار گرفت. در ابتدا سری­های زمانی بارش و رواناب با استفاده از تبدیل موجک به چندین زیرسری تجزیه گشته تا بر ناایستایی آن غلبه گردد. سپس این زیرسری­های زمانی به عنوان ورودی روش دسته­بندی گروهی داده­ها برای پیش­بینی رواناب روزانه درنظر گرفته شده است. کارایی مدل ترکیبی با شاخص­های ضریب تبیین(DC) و ریشه میانگین مربعات خطا(RMSE) ارزیابی شدند. نتایج حاصل از مدل­ها بیانگر آن است که بیشترین مقدار ضریب تبیین و مقدار ریشه میانگین خطا برای مدل منفرد GMDH به ترتیب 65/0 و 07/0 و برای مدل ترکیبی به ترتیب 91/0 و 05/0 است. دلیل برتری مدل ترکیبی نسبت به مدل منفرد ناشی از این است که مدل ترکیبی دسته­بندی گروهی داده­­های موجکی، به جای استفاده از سری زمانی داده­های بارش و رواناب در یک مقیاس کلی، از چندین زیرسری پردازش شده زمانی با درجات تجزیه مختلف به عنوان ورودی در مدل استفاده می­نماید. همچنین نتایج نشان داد که مدل ترکیبی  Wavelet-GMDHدر مقایسه با سایر مدل­های ترکیبی مانند شبکه عصبی مصنوعی موجکی(WANN) به سبب عملکرد لایه­ای مدل GMDH که دربرگیرنده ترکیبات دوتایی از متغیرهای ورودی است و با انتخاب تعداد نرون­های بهینه در هر لایه حرکت به سمت داده­های پیش­بینی شده را جهت­دهی می­نماید، دارای کارایی و دقت بیشتری است.

کلیدواژه‌ها


عنوان مقاله [English]

Investigation of the Efficiency of Group Method of Data Handeling and Wavelet Transform in Runoff Forecasting (Case Study: Gharehsoo Watershed)

نویسندگان [English]

  • Mohammadreza Goodarzi 1
  • Hesam Goodarzi 2
1 Assistant Professor, Department of Civil Engineering, Yazd University, Yazd, Iran
2 M.Sc. Student of Civil Engineering - Water and Hydraulic Structures, Grand Ayatollah Borujerdi
چکیده [English]

Rainfall-runoff process is one of the most important and complex phenomena in the hydrological cycle. Therefore, in its modeling, different perspectives for the development and improvement of predictive models have been presented. In this study, while introducing a combination of wavelet-group classification of data, its effectiveness for modeling the rainfall-run-off process in the Ghara-eos watershed was studied. At first, the rainfall and runoff time series were decomposed using a wavelet transform to several sub-basins to overcome its non-state. Then, these time subcircuits are considered as inputs of the grouped data collection method for predicting daily runoff. The efficiency of the combined model with DC and root mean square error (RMSE) were evaluated. The results of the validation of the models indicate that the highest amount of explanation coefficient and the lowest root mean of error for the single GMDH model were 0.65 and 0.07, respectively, and for the combined model of grouping the wavelet data The order is 0.91 and 0.05. The reason for the hybrid model's superiority to the single model is that the combination model of the grouping of wavelet data, instead of using the time series of rainfall and runoff data on a general scale, uses several time- Different decompositions are used as inputs in the model. Also, the results showed that the Wavelet-GMDH combination model compared to other composite models such as Waveline Artificial Neural Network (WANN) due to the GMDH model layer function, which includes binary combinations of input variables, and by selecting the number of optimal neurons in Each layer directs motion to the predicted data, has more efficiency and accuracy.

کلیدواژه‌ها [English]

  • Group method of data handeling
  • wavelet transform
  • wavelet function
  • Rainfall-runoff modeling
  • Gharesoo watershed
ایوانی، ز.، احمدی، م.، قادری، ک.، 1395، برآورد بار معلق رودخانه­ای با استفاده از روش گروهی کنترل داده­ها، پژوهشنامه مدیریت حوزه آبخیز، (13)2: 61-71.
پورحقی، ا.، سلگی، ا.، رائمنش، ف.، شهنی دارابی، م.، 1397، استفاده ترکیبی از تبدیل موجک و مدل‌های هوشمند در شبیه‌سازی جریان رودخانه (مطالعه موردی: رودخانه‌های کاکارضا و سراب صیدعلی)، نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، شماره 32، 17-1.
دوانلوتاجبخش، ع.، نورانی، و.، مولاجو، ا.، 1398، بررسی کارایی مدل هیبریدی Wavelet-M5 در پیش­بینی فرآیند بارش-رواناب(مطالعه موردی: حوضه آجی­چای)، نشریه تحقیقات منابع آب، شماره15، 10-1.
کماسی، م.، شرقی، س.، 1396، روندیابی عوامل موثر بر کاهش تراز آب زیرزمینی با بهره­گیری از تبدیلات موجک متقابل و ارتباطی، نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، شماره 28، 151-138.
کماسی، م.، نوذری، ح،. قشلاقی، ن.، 1395، پیش­بینی تراز آب دریاچه ارومیه با استفاده از روش­های سری زمانی، شبکه عصبی مصنوعی و شبکه عصبی-موجکی، نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، شماره 24، 77-64.
Hsu, K.L., Gupta, H.V. and Sorooshian, S., 1995. Artificialneural network modeling of the rainfall‐runoff process. Water resources research31(10), pp.2517-2530.
Ivakhnenko, A.G., 1968. The Group Method of Data of Handling; A rival of the method of stochastic approximation. Soviet Automatic Control13, pp.43-55.
Nakken, M., 1999. Wavelet analysis of rainfall–runoff variability isolating climatic from anthropogenic patterns. Environmental Modelling & Software14(4), pp.283-295.
Nikolaev, N.Y. and Iba, H., 2003. Polynomial harmonic GMDH learning networks for time series modeling. Neural Networks16(10), pp.1527-1540.
a) Nourani, V., Alami, M.T. and Aminfar, M.H., 2009. A combined neural-wavelet model for prediction of Ligvanchai watershed precipitation. Engineering Applications of Artificial Intelligence, 22(3), pp.466-472.
b)  Nourani, V., Komasi, M. and Mano, A., 2009. A multivariate ANN-wavelet approach for rainfall–runoff modeling. Water resources management23(14), p.2877.
Nourani, V., Baghanam, A.H., Adamowski, J. and Kisi, O., 2014. Applications of hybrid wavelet–artificial intelligence models in hydrology: a review. Journal of Hydrology, 514, pp.358-377.
Santin, I., 2015. Effluent Predictions in Wastewater Treatment Plants for the Control Strategies Selection, Journal of Bilbao, 2: 1009-1016.
Singh, V.P., 1989. Hydrologic systems: watershed modeling. Prentice Hall, University of California, 320p
Zhang, H., Liu, X., Cai, E., Huang, G. and Ding, C., 2013. Integration of dynamic rainfall data with environmental factors to forecast debris flow using an improved GMDH model. Computers & geosciences, 56, pp.23-31.
Zahabiyoun, B., Goodarzi, M.R., Bavani, A.M. and Azamathulla, H.M., 2013. Assessment of climate change impact on the Gharesou River Basin using SWAT hydrological model. CLEAN–Soil, Air, Water41(6), pp.601-609.