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

Document Type : Original Article

Authors

Assistant Professor Faculty of Civil Engineering. University of Ayatollah Boruojerdi

Abstract

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.

Keywords

References

 
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
Irrigation and Water Engineering
Volume 6, Issue 4 - Serial Number 24
September 2016
Pages 64-77

Files

Share

How to cite

Statistics