پیش‌بینی مقادیر حداکثر بارش روزانه با استفاده از سیستم‌های هوشمند و مقایسه آن با مدل درختی M5؛ مطالعه موردی ایستگاه‌های اهر و جلفا

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

2 سازه های آبی گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

چکیده

بارش یکی از مهمترین اجزا چرخه آب بوده و در سنجش خصوصیات اقلیمی هر منطقه ای نقش بسیار مهمی ایفا می‌کند. پیش‌بینی مقادیر بارش حداکثر روزانه در ماه برای اهداف مختلفی نظیر برآورد سیلاب، رواناب، رسوب، برنامه‌ریزی آبیاری و مدیریت حوضه‌های آبریز دارای اهمیت زیادی است.پیش‌بینی بارش در هر منطقه‌ای نیازمند وجود داده‌های دقیق اندازه‌گیری شده از قبیل رطوبت، دما، فشار، سرعت باد و غیره می‌باشد. محدودیت‌هایی از قبیل نبود اطلاعات کافی در مورد مقدار بارش در مقیاس‌های زمانی و مکانی و همچنین پیچیدگی روابط بین پارامترهای هواشناسی مرتبط با بارش، محاسبه این پارامتر با استفاده از روش‌های معمول را غیردقیق و غیرقابل اعتماد می‌کند. در این تحقیق پارامترهای هواشناسی ایستگاه‌های اهر و جلفا در استان آذربایجان شرقی، به عنوان ورودی مدل‌های هوشمند شبکه‌های عصبی مصنوعی، برنامه‌ریزی ژنتیک و مدل درختی M5 تعریف گردید و برای نتایج بدست آمده از این سه مدل دو آماره R و RMSE محاسبه گردید. در دو ایستگاه اهر و جلفا روش برنامه‌ریزی ژنتیک به ترتیب با (R=0.88) و (RMSE=3.32) و (R=0.87) و (RMSE=3.79) بهترین نتیجه را نشان دادند. در حالت کلی می‌توان گفت که هر سه روش مذکور ضمن رقابت با یکدیگر نتایج نسبتا دقیقی را جهت پیش‌بینی حداکثر بارش روزانه در ماه مورد نظر در منطقه ارائه می‌کنند ولی به دلیل ارائه روابط خطی ساده و قابل فهم توسط مدل درختی M5، این روش می‌تواند به عنوان روشی کاربردی و جایگزین برای محاسبه حداکثر بارش روزانه در ماه مورد توجه قرار گیرد.

کلیدواژه‌ها


عنوان مقاله [English]

Monthly rainfall prediction using Artificial Neural Networks and M5 model tree (Case study: Stations of Ahar and Jolfa)

نویسندگان [English]

  • Mohammad taghi Stari 1
  • Farnaz Nahrein 2
2 Msc Student, Water Engineering Department, Agriculture Faculty, University of Tabriz
چکیده [English]

Rainfall has been one of the most important agents in water cycle which has an effective rule in each region characters measurement. Prediction of month scale rainfall is important for main goals as torrent estimating, drought, run-off, sediment, irrigation programming and also manage the drainage basins. Rainfall measure prediction in each area mediated by punctual data measured of humidity, temperature, barograph manometers, wind speed and etc. the limitations such as unavailable enough data about rainfall measure on a scale of time and location and also complicated boundaries among meteorology agents related to rainfall ,caused to inexact and non trustable amount based on unusual manners. In this research ,firstly the description of different concepts of meteorology parameters on month scale in Ahar and Jolfa regions, EAST AZARBAIJAN, have been explained in which the entrance Artificial Neural Networks, Genetic Programming and M5 tree model have been defined too. Then, the best concept has been chosen for each model according to both R and RMSE statistics. In Ahar station Genetic Programming approach with (R=0.88) and (RMSE=3.32), also in Jolfa station Genetic Programming approach with (R=0.87) and (RMSE=3.79) presented the best results.  The conclusion determined that each mentioned approaches presents the comparatively exact result for rainfall prediction in region but due to having simple liner models and understandable with M5 tree model, this approach would be considerate as an efficient application and substitutes for rainfall measurement.

کلیدواژه‌ها [English]

  • : Prediction of month scale rainfall
  • Artificial Neural Networks
  • Genetic Programing
  • M5 tree model
  • Ahar and Jolfa

1. حلبیان، ا.ح. 1388. پیش آگاهی و برآورد بارش یزد با استفاده از شبکه های عصبی مصنوعی. تحقیقات کاربردی علوم جغرافیایی، جلد 11، شماره 14، ص 28-7.

2. خلیلی، ن.، س.ر. خداشناس، ک. داوری و م. موسوی بایگی. 1387. پیش بینی بارش با استفاده از شبکه های عصبی مصنوعی. مجله علوم و صنایع کشاورزی، ویژه آب و خاک، جلد 2، شماره 1، ص98-89.

3. سلطانی، ع.، م.ع. قربانی، ا.، فاخری فرد، ص. دربندی و د. فرسادی زاده. 1389. برنامه ریزی ژنتیک و کاربرد آن در مدل سازی فرآیند بارش-رواناب. مجله دانش آب و خاک، شماره 4، ص 71-61.

4. شریف زاک، م. و غ.ع. بارانی. 1390. پیش بینی دبی جریان در کانال های مرکب با استفاده از الگوریتم شبکه های عصبی. اولین کنفرانس ملی عمران و توسعه زیباکنار.

5. علیخانزاده، امیر، 1385، داده کاوی، چاپ اول، نشر علوم رایانه، بابل.

6. فاتحی مرج، ا. و م.ح. مهدیان. 1388. پیش بینی بارش پاییزه با استفاده از شاخص های انسو به روش شبکه عصبی در حوضه دریاچه ارومیه. پژوهش های آبخیزداری، شماره 84، ص 52-42.

7. فلاح قالهری، غ.ع. و ج. خوشحال. 1388. پیش بینی بارش بهاره استان خراسان رضوی بر اساس سیگنال های بزرگ مقیاس اقلیمی با استفاده از شبکه های عصبی مصنوعی. پژوهش های جغرافیای طبیعی، شماره 69، ص 133-115.

8. فلاح قالهری، غ.ع.، م. موسوی بایگی و م. حبیبی نوخندان. 1388. مقایسه نتایج به دست آمده از کاربرد سیستم استنباط فازی ممدانی و شبکه های عصبی مصنوعی در پیش بینی بارش فصلی، مطالعه موردی: منطقه خرسان. تحقیقات منابع آب ایران، سال پنجم، شماره 2، ص 52-40.

9. فلاحی، م.ر.، ه. ورواتی و س. گلیان. 1390. پیش بینی بارش با استفاده از مدل رگرسیون درختی به منظور کنترل سیل. پنجمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب وخاک کرمان.

10. قلی زاده، م.ح. و م. دارند. 1388. پیش بینی بارش ماهانه با استفاده از شبکه های عصبی مصنوعی (مورد: تهران). پژوهش های جغرافیای طبیعی، شماره 71، ص 63-51.

11. Alberg, D., M. Last and A. Kindle. 2012. Knowledge discovery in data streams with regression tree methods. WIREs Data Mining Knowl Discov (2): 69-78.

12. Bhattacharya, B., Price, R. K., Solomatine, D. P., 2007. Machine Learning Approach to Modeling Sediment Transport. Journal of Hydraulic Engineering 133(4), 440-450.

13. Bhattacharya, B., Solomatine, D.P., 2005. Neural networks and M5 model trees in modeling water level–discharge relationship. Neurocomputing 63, 381–396.

14. Daga, M., Deo, M.C., 2009. Alternative data-driven methods to estimate wind from waves by inverse modeling, Nat Hazards 49, 293-310.

15. Ditthakit, P. and CH. Chinnarasri. 2012. Estimation of pan coefficient using M5 model tree. American Journal of Environmental Sciences 8 (2): 95-103.

16. Etemad-Shahidi, A., Bonakdar, L., 2009. Design of Rubble-Mound Breakwaters using M5΄ Machine Learning Method. Submitted to Applied Ocean Research

17. Etemad-Shahidi, A., Mahjoobi, J., 2009. Comparison between M5΄ Model Tree and Neural Networks for Prediction of Significant Wave Height. Submitted to Ocean Engineering.

18. Fallah Galhary, G.A., M. Habibi Nokhandan and  M. Mousavi Baygi. 2010. Spring rainfall prediction based on remote linkage controlling using adaptive neuro-fazzy inference system (ANFIS). Theor Appl-Climato (101): 217-233.

19. Hakurta, P.G. 2008. Long lead monsoon rainfall prediction for meteorological sub-divisions of India using deterministic artificial neural network model. Meteorology and Atmospheric Physic (101): 93-108.

20. Londhe, S. N and Dixit, P. R., 2011. Forecasting Stream Flow Using Model Trees. International Journal of Earth Sciences and Engineering. 4(6): 282-285.

21. Mahjoobi, J., Etemad-Shahidi, A, 2008. An alternative approach for the prediction of significant wave heights based on classification and regression trees. Applied Ocean Research. 30,172-177

22. Pal, M. 2006. M5 model tree for land cover classification. International Journal of Remote Sensing. 27(4), 20: 825-831.

23. Pal, M. and S. Deswal. 2009. M5 model tree based modeling of reference evapotranspiration. Hydrol. Process. (23): 1437-1443.

24. Quinlan, J.R. 1992. Learning with continuous classes. In proceedings AI,92 (Adams & Sterling, Eds), 343-348, Singapore: World Scientific

25. Sakhare, S., Deo, M.C., 2009. Derivation of wave spectrum using data driven methods, Marine Structures, 22, 594-609.

26. Satishkumar, S.K. and M. Rajib. 2012. Prediction of monthly rainfall on homogeneous monsoon regions of India based on large scale circulation pattrns using Genetic Programming. Journal of Hydrology 454-455: 26-41.

27. Singh, K.K., M. Pal and V.P. Singh. 2010. Estimation of mean annual flood in Indian catchment using backpropagation neural network and M5 model tree. Water ressour manage 24 DOI: 10.1007/s11269-009-9535-x

28. Trafalis, T.B., B. Santosa and M.B. Richman. 2005. Learning networks in rainfall estimation. CMS (2): 229-251.