پیش‌بینی تراز آب دریاچه ارومیه با استفاده از روش‌های سری زمانی، شبکه عصبی مصنوعی و شبکه عصبی- موجکی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه عمران دانشگاه آیت الله العظمی بروجردی (ره).

2 استادیار گروه علوم و مهندسی آب دانشگاه بوعلی سینا همدان

3 دانشجوی کارشناسی ارشد مهندسی منابع آب دانشگاه بوعلی سینا همدان

چکیده

دریاچه ارومیه دومین دریاچه شور جهان است و با توجه به معیارهای اجتماعی- اقتصادی و زیست محیطی نقش مهمی در منطقه شمال­غرب ایران دارد که در سالهای اخیر با مشکلاتی مواجه شده است و به دلیل خشکسالی، استفاده بیش از حد آب­های سطحی و ساخت سدها تراز سطح آب آن کاهش یافته است. یکی از فاکتورهای مهم که در مدیریت صحیح در هر زمینه­ای، تأثیر دارد، داشتن یک دید و نگرش مناسب از اتفاقات آینده در آن زمینه است به همین دلیل شبیه­سازی و سپس پیش­بینی متغیرهای هیدرولوژیکی از اهمیت ویژه­ای برخوردار است. بنابراین در پژوهش حاضر به مقایسه سه روش پیش­بینی سری زمانی آریما، شبکه عصبی مصنوعی و شبکه عصبی- موجکی جهت ارائه بهترین روش پیش­بینی تراز سطح آب دریاچه ارومیه در مقیاس ماهانه پرداخته شده است. نتایج حاصل با توجه به معیار ضریب تبیین و جذر میانگین مربعات خطا مقایسه شد که نشان­دهنده عملکرد بهتر شبکه عصبی- موجکی در مقایسه با دو روش سری زمانی آریما و شبکه عصبی مصنوعی، به دلیل لحاظ نمودن تغییرات ماهانه، فصلی و سالانه در قالب تجزیه سری­های زمانی می­باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Forecasting of water level in Urmia Lake using Time series, Artificial Neural Network and Neural Network-Wavelet.

نویسندگان [English]

  • Mehdi Komasi 1
  • Hamed nozari 2
  • Neda Ghashlagli 3
1 Assistant Professor Faculty of Civil Engineering. University of Ayatollah Boruojerdi
چکیده [English]

Abstract
Urmia Lake in Iran is the second largest saline lake in the world. Due to various socio-economical and ecological criteria, Urmia Lake has important role in the Northwestern part of the country but it has faced many problems in recent years. Because of droughts, overuse of surface water resources and dam constructions water level is reduced. One of the important factors that has influence in correct management, is having a suitable point of view for future events in that field. So simulation and forecasting of hydrological variables has many importance. In this research, time series, Artificial Neural Network and Neural Network-Wavelet methods for presentation the best method in monthly scale for simulation and forecasting Urmia Lake water level is compared. Comparing these three methods indicates that forecasting with Neural Network-Wavelet due to considering monthly, seasonal and annual changes in the time series analysis, has the best Performance.

کلیدواژه‌ها [English]

  • Artificial Neural Network
  • Neural Network-Wavelet
  • time series
  • Urmia Lake water level

 

حسن­زاده، ی.، ا . عبدی کردانی و ا. فاخری فرد. 1391. پیش­بینی خشکسالی با استفاده از الگوریتم ژنتیک و مدل ترکیبی شبکه عصبی- موجکی. فصلنامه علمی- پژوهشی آب و فاضلاب، شماره 83، ص 59-48.

رسولی، ع. ا و ش. عباسیان. 1388. تحلیل مقدماتی سری­های زمانی تراز سطح آب دریاچه ارومیه. نشریه جغرافیا و برنامه ریزی، سال 14، شماره 28، ص 165-137.

غفاری، غ و م. وفاخواه. 1392. شبیه­سازی فرایند بارش- رواناب با استفاده از شبکه عصبی مصنوعی و سیستم فازی- عصبی تطبیقی (مطالعه موردی: حوزه آبخیز حاجی قوشان). پژوهشنامه مدیریت حوزه آبخیز، شماره 8، ص 136-120.

قدم پور، ز و م. شقاقیان.1390. مقایسه مدل­های کلاسیک سری زمانی و هوش مصنوعی در تعیین سطح تراز آب زیرزمینی. ششمین کنگره ملی مهندسی عمران. سمنان، دانشگاه سمنان.

کارآموز، م و ش. عراقی نژاد. 1389. هیدرولوژی پیشرفته. چاپ دوم. انتشارات دانشگاه صنعتی امیرکبیر.

محتشم، م.، ا. دهقانی، ا. اکبرپور، م. مفتاح هلقی و ب. اعتباری. 1389. پیش­بینی سطح ایستابی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت بیرجند). مجله آبیاری و زهکشی ایران، شماره 1، ص 10-1.

ملکی نژاد، ح و ر. پورشرعیانی. 1392. کاربرد و مقایسه مدل سری زمانی تجمعی و مدل شبکه عصبی مصنوعی در پیش بینی تغییرات سطح آب زیرزمینی (مطالعه موردی: دشت مروست). مجله علوم و مهندسی آبیاری، دوره 36، شماره 3، ص 92-81.

نخعی، م و ا. صابری نصر. 1391. پیش­بینی نوسانات سطح آب زیرزمینی دشت قره با استفاده از شبکه عصبی موجکی و مقایسه آن با مدل عددی MODFLOW. مجله زمین­شناسی کاربردی پیشرفته. شماره 4، ص 58-47.

نوری، م. و م. ب. رهنما. 1385. مدل بارندگی- رواناب با استفاده از تئوری موجک و شبکه­های عصبی مصنوعی (مطالعه موردی هلیل رود). هفتمین کنگره بین­المللی مهندسی عمران. تهران، دانشگاه تربیت مدرس، دانشکده عمران.

نیک منش، م. ر. و ن. طالب بیدختی. 1391. مقایسه توانایی تئوری موجک و سری­های زمانی در مدل­سازی بارندگی ماهانه مناطق سعادت شهر و ارسنجان در استان فارس. فصلنامه جغرافیای طبیعی، سال پنجم، شماره 16، ص 10-1.

Box G. E. P. and G. M. Jenkins. 1976. Time Series Analysis: Forecasting and Control. Holden Day Press. San Francisco.

Cannas, B., A. Fanni, L. See and G. Sias. 2006. Data preprocessing for river flow forecasting using neural networks:wavelet transforms and partitioning. Physics and Chemistry of the Earth, Vol: 31 (18): 1164-1171.

Ghil,  M., M. R.  Allen,  M. D.  Dettinger,  K.  Ide,  D.  Kondrashov,  M. E. Mann,  A. W.  Robertson,  A.  Saunders,  Y.  Tian, F. Varadi  and  P. Yiou.  2002. Advanced Spectral Methods For Climatic Time Series. Reviews of Geophysics, 1-1:1-41.

Güldal, V. and H. Tongal 2010. Comparison of Recurrent Neural Network, Adaptive Neuro-Fuzzy Inference System and Stochastic Models in Eğirdir Lake Level Forecasting. Water Resources Management 24(1): 105-128.

Khatibi, R., M. A. Ghorbani, L. Naghipour, V. Jothiprakash, T. A. Fathima, M. H. Fazelifard. 2014. Inter-comparison of time series models of lake levels predicted by several modeling strategies. Journal of Hydrology. 530-545.

Nourani, V.,  M. Komasi and A. Mano. 2009. A multivariate ANN-wavelet approach for rainfall–runoff modeling. Water Resource Management. 23(14): 2877–2894.

Nourani, V., M. Komasi, M. T. Alami. 2012. Hybrid Wavelet–Genetic Programming Approach to Optimize ANN Modeling of Rainfall–Runoff Process. Journal of Hydrologic Engineering. 17(6): 724–741.

Nourani, V. and M. Komasi. 2013. A geomorphology-based ANFIS model for