بهبود دقت تخمین جریان ماهانه با کاهش نویز آشوبی (رودخانه‌های مورد مطالعه: نهندچای، اهرچای و لیقوان‌چای)

نویسنده

گروه عمران، دانشکده فنی و مهندسی مرند، دانشگاه تبریز، مرند، ایران

10.22125/iwe.2020.114955

چکیده

وجود ارتباط غیرخطی و پیچیده بین اجزای یک سیستم در فرایندهای هیدرولوژیکی و رفتار دینامیکی مابین آنها، استفاده از مدل‌های هوشمند را جهت مدلسازی ضروری می‌نماید. معمولا در تحقیقات مختلف برای افزایش دقت نتایج مدلسازی، از مدل­های جدیدتر با قابلیت محاسباتی بیشتر استفاده می­شود. علاوه بر توانایی­های محاسباتی مدل­ها، بکارگیری اطلاعات ورودی صحیح به آنها نیز دارای اهمیت است و لازمه رسیدن به دقت مناسب در انواع روش­های مدلسازی است. با توجه به اینکه خطا در داده‌های هیدرولوژیکی معمولا وجود دارد، هدف از این تحقیق بررسی تاثیر حذف خطاهای ممکن در سیستم‌های هیدرولوژیکی در میزان افزایش دقت مدل­ها است. در این تحقیق مقادیر جریان ماهانه حوضه‌های شاخص استان آذربایجانشرقی (رودخانه­های نهند چای، لیقوان­چای و اهرچای) در دو حالت با خطا و بدون خطا مورد بررسی قرار گرفته و سپس برای هر دو حالت، فرایند پیش‌بینی با مدل‌ شبکه‌های عصبی مصنوعی مطالعه شده است. برای جداسازی خطای داده‌های ورودی از نظریه آشوب استفاده شده است. بر اساس معیار ارزیابی نش-ساتکلیف، دقت نتایج مدلسازی جریان ماهانه رودخانه­های نهند چای، لیقوان­چای و اهرچای برای داده‌های بدون نویز نسبت به داده‌های خام، بترتیب به میزان (2/43، 9/27 و 9/5) افزایش یافته و مقدار خطا، بر اساس معیار مجذور میانگین مربعات خطا به مقدار (2/65، 5/63 و 7/2) کاهش داشته است.

کلیدواژه‌ها


عنوان مقاله [English]

Reduced chaotic noise to improve the accuracy of estimates of monthly flow (case study: Nahandchai, Aharchai and Lighvanchai Rivers)

نویسنده [English]

  • leila malekani
Marand Faculty of Technical and Engineering, University of Tabriz, Marand, Iran
چکیده [English]

The nonlinear and complex relationship between the components of a system in hydrological processes and the dynamic behavior between them makes it necessary to use intelligent models for modeling. Usually, in a variety of studies, to increase the accuracy of modeling results, newer models with more computational capabilities are used. In addition to the computational abilities of the models, the use of correct input information is also important to them, and it is necessary to achieve the appropriate accuracy in a variety of modeling methods. Because the error is usually in the hydrologic data, the purpose of this study is to investigate the effect of eliminating possible errors in hydrologic systems in increasing the accuracy of models.
In this paper, the monthly flows of Nahandchai, Lighvanchai, and Aharchai rivers have been investigated in two cases the original series and noise reduced time series. Then, for both cases, the runoff predictions with the ANN model have been done. Chaos theory used for the separation of input noise data. The results base on the evaluation criteria shows that this method, providing a possible higher accuracy in data without noise. The amount of Nashatcliff coefficient increased (43.2%, 27.9%, and 5.9%) respectively at the stations of Nahandchai, Aharchai, and Lighvanchai, and RMSE decreased to 65.2%, 65.5% and 7.7% at these stations
 

کلیدواژه‌ها [English]

  • Runoff Prediction
  • Chaos Theory
  • ANN
  • Noise Reduction
بوستانی, م، فرزین س، موسوی س ف، کرمی حجت. (1398). تأثیر نویززدایی سری زمانی بر تحلیل آن با استفاده از نظریۀ نظم در بی‌نظمی (مطالعۀ موردی: رودخانۀ زاینده‌رود)', اکوهیدرولوژی، 6(1): 15-27 
پرتویان ا، نورانی و، اعلمی م ت. (1397). بهبود عملکرد نرم افزارهای هوش مصنوعی در شبیه سازی بارش-رواناب با استفاده از روش حذف-تزریق نوفه. فصلنامه علمی-پژوهشی مهندسی منابع آب, 11(36): 81-94.
دهقانی ن، وفاخواه م، بهره­مند ع. (1395). مدل‌سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی- عصبی تطبیقی در حوزه آبخیز کسیلیان. پ‍‍ژوهشنامه مدیریت حوزه آبخیز. ۷ (۱۳): ۱۳۷-۱۲۸
دوایی مرکزی ا ح، نظرآهاری م. 1394. کاربرد تبدیل فوریه گسسته در زمان در شناسایی سیگنال‌های صوتی کشتی‌ها با استفاده از روش‌های کاهش بُعد و یادگیری توده‌ای. مهندسی مکانیک مدرس. 15(۸) :۷۵-۸۴
رضایی ح، جباری قره‌باغ، ث. (1396). تأثیر کاهش نویز در تحلیل‌ آشوبی جریان رودخانه‌‌ نازلوچای. دانش آب و خاک، 27 (3): 239-250
علیزاده، امین (1394)، اصول هیدرولوژی کاربردی، چاپ چهل، مشهد، انتشارات آستان قدس رضوی.
Alami, M.T., Ghorbani, M.A. and Malekani, L., 2013. Chaotic Analysis and Prediction of River Flows. Journal of Hydraulic Structures, 1(1), pp.54-64.
Chandwani, V., Vyas, S.K., Agrawal, V. and Sharma, G. 2015. Soft computing approach for rainfall-runoff modelling: A review. Aquatic Procedia, 4, pp.1054-1061.
Elshorbagy A. Simonovicb  S. P. and Panu U. S. 2002. Noise reduction in chaotic hydrologic time series: facts and doubts. Journal of Hydrology. V.256: 147-165.
Elshorbagy A. Simonovicb S. P. and Panu U. S. 2002a. Estimation of missing streamflow data using principles of chaos theory. Journal of Hydrology. 255:123–133.
Ghorbani, M.A., Khatibi, R., Mehr, A.D. and Asadi, H. 2018. Chaos-based multigene genetic programming: A new hybrid strategy for river flow forecasting. Journal of hydrology, 562: 455-467.
Grassberger, P., Hegger, R., Kantz, H., Schaffrath, C. and Schreiber, T. 1993. On noise reduction methods for chaotic data. Chaos: An Interdisciplinary Journal of Nonlinear Science, 3(2), pp.127-141.
James E. J. Gopakumar R. 2002. Flood forcasting of Achencoil river basin using Artificial Neural Network. fifth International conference of Hydroinformation. 1245-1251.
Kalteh A. M. 2008. Rainfall-runoff modelling using artificial neural networks (ANNs): modelling and understanding. Caspian Journal of Environmental Sciences. 6(1): 53-58.
Karunasingha, D.S.K. and Liong, S.Y. 2018. Enhancement of chaotic hydrological time series prediction with real-time noise reduction using Extended Kalman Filter. Journal of hydrology, 565, pp.737-746.
Kennel M. Brown R and Abarbanel HDI. 1992. Determining Embedding Dimension for Phase-Space Reconstruction Using a Geometrical Construction. Physical Review A. 45(6): 3403–3411.
Kisi, O., Shiri, J. and Tombul, M. 2013. Modeling rainfall-runoff process using soft computing techniques. Computers & Geosciences, 51, pp.108-117.
Kocak K. Saylan L. and Sen O. 2000. Nonlinear Time Series Prediction of O3 Concentration in Istanbul. Atmosphere Environment. 34: 1267-1271.
Machado, F., Mine, M., Kaviski, E. and Fill, H. 2011. Monthly rainfall–runoff modelling using artificial neural networks. Hydrological Sciences Journal–Journal des Sciences Hydrologiques, 56(3), pp.349-361.
Porporato A and Ridolfi L, 1997. Nonlinear analysis of river flow time sequences. Water Resources Research 33(6): 1353-1367.
Schreiber, T., Kantz. H. 1998. Nonlinear projective filtering II: Application to real time series”, arXiv:chao-dyn/9805025v1.
Schreiber T and Grassberger P, 1991. A simple noise reduction method for real data Physics Letters A 160: 411-418.
Sivakumar, B., Phoon, K.-K., Liong, S. Y. and Liaw, C. Y. 1999. A systematic approach to noise reduction in chaotic hydrological time series”, Journal of Hydrology 219:103–135.
Sivakumar, B. and Jayawardena, A.W. 2002. An investigation of the presence of low-dimensional chaotic behavior in the sediment transport phenomenon. Journal of Hydrology Science 47(3):405–416.
Solaimani, K. 2009. Rainfall-runoff Prediction Based on Artificial Neural Network (A Case Study: Jarahi Watershed). American-Eurasian J. Agric. & Environ. Sci., 5 (6): 856-865.
Urbanowicz, K. and Kantz, H. 2007. Improvement of speech recognition by nonlinear noise reduction. Chaos: An Interdisciplinary Journal of Nonlinear Science, 17(2), p.023121.