پیش‌بینی بارش ماهانه استان اردبیل با استفاده از مدل‌های ANN و WANN

نوع مقاله: مقاله پژوهشی

نویسندگان

دکترای مهندسی منابع آب، وزارت نیرو، شرکت مدیریت منابع آب ایران، شرکت آب منطقه‌ای استان چهارمحال و بختیاری. شهرکرد، ایران

10.22125/iwe.2020.110094

چکیده

بارش یکی از مهم­ترین رخدادهای هیدرولوژیکی بوده و پیش­بینی آن می­تواند به عنوان یک ابزار کاربردی در بهره­برداری و مدیریت بهینه منابع آب مورد استفاده قرار گیرد. در پژوهش حاضر از مدل­های شبکه عصبی مصنوعی (ANN) و موجک- عصبی (WANN) برای شبیه­سازی بارش ماهانه در ایستگاه­های سینوپتیک منتخب استان اردبیل شامل اردبیل، خلخال، مشگین­شهر و پارس­آباد طی دوره آماری مشترک 225 ماهه در سال­های 1395-1375 استفاده شد. برای پیش­بینی کوتاه مدت بارش ماهانه (یک ماه بعد) سناریوهای مختلف بر اساس تأخیرهای بارش تعریف شد. نتایج بیانگر عملکرد قابل قبول و برتری مدل WANN با بیشترین ضریب تعیین (R2) وکمترین ریشه میانگین مربعات خطا (RMSE) برای همه ایستگاه­ها و به­ازای بهترین الگو در مرحله صحت­سنجی بود. مقادیر R2 و RMSE برای ایستگاه اردبیل به­ترتیب برابر 88/0 و 13/7 میلی­متر، ایستگاه خلخال برابر 91/0 و 03/6 میلی­متر، ایستگاه مشگین­شهر برابر 92/0 و 57/6 میلی­متر و برای ایستگاه پارس­آباد برابر 87/0 و 56/8 میلی­متر به­دست آمد. در همه ایستگاه­ها، اعمال سناریوی ترکیبی تأخیرهای بارش، کمینه و بیشینه دما توسط مدل برتر (مدل WANN) باعث بهبود جزئی نتایج مدل گردید اما هزینه محاسباتی مدل را نیز به مراتب افزایش داد. هم­چنین در همه ایستگاه­ها، اضافه شدن رطوبت نسبی و سرعت باد به­عنوان متغیرهای ورودی تا حدودی باعث کاهش عملکرد مدل شد. نتایج کلی پژوهش حاضر نشان داد که با استفاده از مدل WANN به همراه تأخیرهای مناسب بارش در مقیاس زمانی ماهانه، می­توان بارش ماهانه (ماه آینده) ایستگاه­های منتخب استان اردبیل شامل اردبیل، خلخال، مشگین­شهر و پارس­آباد را با دقت قابل قبول پیش­بینی نمود.

کلیدواژه‌ها


عنوان مقاله [English]

Monthly precipitation prediction of Ardabil province using ANN and WANN models

نویسندگان [English]

  • , Mohamadreza Nikpour
  • Sajjad Abdollahi Asadabadi
Ph.D., Water Resources Engineering, Regional Water Company of Charmahal and Bakhtiari, Water Resources Management Company, Ministry of Energy, Iran
چکیده [English]

Precipitation is one of the most important hydrological events and its prediction can be used as a practical tool for optimum utilization and management of water resources. In the present study, artificial neural network (ANN) and wavelet-artificial neural network (WANN) were used for monthly precipitation perdiction at selected synoptic stations in Ardabil province, including Ardabil, Khalkhal, Meshginshahr and Parsabad during the 225 months for the years 1996-2016. For the short-term forecast of monthly precipitation (one month later), different scenarios were defined based on precipitation delays. Results indicated that the WANN model with the highest determination coefficient (R2) and minimum root mean square error (RMSE) was acceptable for all stations. The values of R2 and RMSE for Ardabil station were equal to 0.88 and 7.13 mm, for Khalkhal station were equal to 0.91 and 6.36 mm, for Meshginshahr station were equal to 0.92 and 6.97 mm and for Parsabad station were equal to 0.86 and 8.51 mm, respectively. In all stations, utilization of  the superior model (WANN model) with the combination scenarios i.e. rainfall delays, the minimum and maximum temperature improved the results of the model, but on the other hand, increased the computational cost of the model. Also, in all stations, the addition of relative humidity and wind speed as input variables somewhat reduced the performance of the model. The general results of this study showed that the WANN model with appropriate rainfall delays on a monthly scale can be utilized to predict monthly precipitation of selected stations in Ardabil province, including Ardabil, Khalkhal, Meshginshahr and Parsabad with acceptable accuracy.

کلیدواژه‌ها [English]

  • Ardabil Province
  • wavelet analysis
  • Monthly precipitation
  • Gene expression programming
  • Artificial Neural Network
پورحقی، ا.، ا. سلگی، ف. رادمنش و م. شهنی دارابی. 1397. استفاده ترکیبی از تبدیل موجک و مدل­های هوشمند در شبیه­سازی جریان رودخانه (مطالعه موردی: رودخانه­های کاکارضا و سراب صیدعلی). فصلنامه علمی پژوهشی مهندسی آبیاری و آب ایران، سال هشتم، شماره 32، ص 17-1.

ستاری، م.، ع. جودی و ف. نهرین. 1393. پیش­بینی مقادیر بارش ماهانه با استفاده از شبکه­های عصبی مصنوعی و مدل درختی M5. نشریه پژوهش­های جغرافیای طبیعی. 46(2): 260-247.

سلگی، الف.، ح. زارعی، الف. پورحقی و ح. خدابخشی. 1395. پیش­بینی بارش ماهانه با مدل ترکیبی شبکه عصبی مصنوعی موجک و مقایسه با مدل شبکه عصبی مصنوعی. فصلنامه علمی پژوهشی مهندسی آبیاری و آب، سال ششم، شماره 23، ص 33-18.

شفائی، م.، ا. فاخری­فرد، ص. دربندی و م.ع. قربانی. 1392. پیش­بینی جریان روزانه رودخانه با استفاده از مدل هیبرید موجک و شبکه عصبی، مطالعه موردی: ایستگاه هیدرومتری ونیار در حوضه آبریز آجی­چای. نشریه مهندسی آبیاری و آب ایران، سال چهارم، شماره 14، ص 128-113.

قاسمیه ه.، ا. بذرافشان و ک. بخشایش­منش. 1396. پیش­بینی بارش ماهانه با استفاده از الگوهای پیوند از دور و شبکه عصبی مصنوعی (مطالعه موردی: حوزه فلات مرکزی ایران). فیزیک زمین و فضا. 43(2): 418-405.

کدخداحسینی م.، ش. شامحمدی ر. میرعباسی و ح. نوذری. 1395. ارزیابی عملکرد شبکه­های عصبی مصنوعی و ماشین­بردار پشتیبان در بازسازی داده­های ماهانه و فصلی بارش در ایستگاه­های باران­سنجی (مطالعه موردی: استان همدان). مجله پژوهش آب ایران، 11(3): 100-91.

طوفانی، پ.، ا. فاخری­فرد، ا. مساعدی و ا.ا. دهقانی. 1394. پیش­بینی بارندگی ماهانه با استفاده مستقیم از موجک و شبکه عصبی و موجکی. مجله مرتع و آبخیزداری، جلد 68، شماره 2، ص 571-551.

مظفری غ.، ش. شفیعی و ح. همتی. 1394. پیش­بینی بارش ماهانه ایستگاه سینوپتیک کرمانشاه با استفاده از مدل ترکیبی شبکه عصبی و موجک. نشریه پژوهش­های حفاظت آب و خاک، 152-135.

معروفی، ص.، ک. امیرمرادی و ن. پارسافر. 1392. پیش­بینی جریان روزانه با استفاده از شبکه های عصبی مصنوعی و عصبی-موجکی (مطالعه موردی: رودخانه باراندوزچای). نشریه دانش آب و خاک، جلد 23، شماره 3، ص 103-93.

معروفی ص.، ر. نوروز ولاشدی و ف. گلکار. 1396. مدل­سازی پیش­یابی بارش ماهانه در حوضه آبریز بلوچستان جنوبی. فصلنامه تحقیقات جغرافیایی. 32(1): 162-149.

Abdollahi, S., J. Raeisi, M. Khalilianpour, F. Ahmadi and O. Kisi. 2017. Daily mean streamflow prediction in perennial and non-perennial rivers using four data driven techniques. Water Resources Management, 31(15): 4855-4874.

Adamowski, J. 2008. Development of a short-term river flood forecasting method for snowmelt driven and cross wavelet analysis floods based on wavelet. Journal of Hydrology, 353: 247-266.

He, Z., X. Wen, H. Liu and J. Du. 2014. A comparative study of artificial neural network, adaptive neuro fuzzy inference system and support vector machine for forecasting river flow in the semiarid mountain region. Journal of Hydrology, 509: 379-386.

Liu, S. and H. Shi. 2019. A recursive approach to long-term prediction of monthly precipitation using genetic programming. Water Resources Management, 33(3): 1103-1121.

Lou, J., W. Lu, Y. Ji and D. Ye. 2016. A comparison of three prediction models for predicting monthly precipitation in Liaoyuan city, China. Water Science and Technology, 16(3): 845-854.

Nourani, V., M.T. Alami and M.H. Aminfar. 2009. A combined neural-wavelet model for prediction of Ligvanchai watershed precipitation. Engineering Applications of Artificial Intelligence, 22: 466-472.

Shu, C. and T.B.M.J. Ouarda. 2008. Regional flood frequency analysis at ungauged sites using the adaptive neuro-fuzzy inference system. Journal of Hydrology, 349(1): 31-43.

Sofian, I.M., A.K. Afandi, I. Iskandar and Y. Apriani. 2018. Monthly rainfall prediction based on artificial neural networks with backpropagation and radial basis function. International Journal of Advances in Intelligent Informatics, 4(2): 154-166.

Venkata-Ramana, R., B. Krishna, S.R. Kumar and N.G. Pandey. 2013. Monthly Rainfall Prediction Using Wavelet Neural Network Analysis. Water Resources Management, 27: 3697–3711.

Yaseen, Z.M., I. Ebtehaj, S. Kim, H. Sanikhani, H. Asadi, M.I. Ghareb, H. Bonakdari, W.H.M. Mohtar, N. Al-Ansari and S. Shahid. 2019. Novel hybrid data-intelligence model for forecasting monthly rainfall with uncertainty analysis. Water, 11(502): 1-23.