مدل‌سازی بارش- رواناب با سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) و رگرسیون خطی چندمتغیره (MLR)

نویسندگان

1 دانشگاه علوم کشاورزی و منابع طبیعی ساری

2 گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری

چکیده

در این پژوهش، کارآیی سیستم فازی- عصبی برای برآورد رواناب ناحیه کوهستانی حوضه هراز مورد ارزیابی قرار گرفت. هدف ایجاد مدلی با توابع و درجه عضویت مناسب است که بتواند رابطه بارندگی- رواناب را در یک حوضه به­درستی برقرار کند. بدین منظور برای پیش­بینی رواناب، 44 ترکیب مختلف از پارامترهای بارندگی، دما، تبخیر، دبی جریان و شاخص بارش پیشین با تأخیر زمانی بین آنها به­صورت روزانه طی دوره 32 سال آماری وارد مدل ANFIS گردید. از بین ترکیبات مختلف ورودی، ساختار بارندگی و دمای متوسط روز جاری، شاخص رطوبتی و دبی یک روز قبل به­عنوان مدل مناسب انتخاب شد. نتایج حاصل از آزمون آماری t-test برای تعیین اختلاف معنی­داری نشان داد که بین دو روش ANFIS و MLR اختلاف معنی­داری وجود ندارد. روش ANFIS با تابع عضویت مثلثی شکل درجه دو با معیارهای آماری 67/2= RMSE، 16/4= VE، 98/0= R2 و 97/0= EF نسبت به روش MLR با 83/2= RMSE، 55/4= VE، 94/0= R2 و 92/0= EF در دوره آزمون، عملکرد بهتری در مدل­سازی بارش- رواناب ناحیه کوهستانی حوضه هراز دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Rainfall-Runoff Modeling by Adaptive Neuro-Fuzzy Inference System (ANFIS) and Multi-Variable Linear Regression (MLR)

نویسندگان [English]

  • Isa Kia 1
  • Ali reza Emadi 2
  • Mohammad Gholami 2
1 1Ph.D. Student, Water Engineering Department, Sari Agricultural Sciences and Natural Resources University, Sari,
2 2Associate Professor, Water Engineering Department, Sari Agricultural Sciences and Natural Resources University, Sari, Iran
چکیده [English]

In this research, the efficiency of Neuro-Fuzzy System was evaluated for estimating runoff in the mountainous area of the Haraz watershed. The goal is to create a model with proper functions and membership degrees that can properly estimate the relationship between rainfall and runoff in either basin or watershed. Thus, to predict the amount of runoff, 44 different combinations of rainfall, temperature, evaporation, flow rate and antecedent precipitation index with lag time entered to an ANFIS model during the period of 32 years as a daily data. Among the different combinations of input, the structure of rainfall and mean temperature of current day with moisture index and flow rate of 1-day ago was selected as the appropriate model. The results of t-test for determining the significant difference showed that there is no significant difference between ANFIS and MLR methods. The ANFIS system with a two degree triangular membership function with RMSE=2.67, VE=4.16, R2=0.98 and EF=0.97 compared to the MLR with RMSE=2.83, VE=4.55, R2=0.94 and EF=0.92 during the test period, has a better performance in rainfall-runoff modeling of the mountainous area of the Haraz watershed.

کلیدواژه‌ها [English]

  • antecedent precipitation
  • Efficiency
  • Flow Rate
  • forecast
  • membership function

اسکندری­نیا، ع. 1385. شبیه­سازی فرآیند بارش- رواناب با استفاده از شبکه عصبی مصنوعی (ANN) و مقایسه با مدل آماری نزدیکترین همسایه (K-NN)، پایان­نامه کارشناسی ارشد سازه­های آبی، مجتمع آموزش عالی علوم کشاورزی و منابع طبیعی ساری، دانشگاه مازندران، 124 ص.

اسکندری­نیا، ع.، ه. نظرپور، م.ض. احمدی، م. تیموری و م.ذ. مشفق. 1390. بررسی تأثیر عامل بارش پیشین در برآورد جریان رودخانه توسط شبکه عصبی مصنوعی (مطالعه موردی: رودخانه بختیاری). پژوهشنامه مدیریت حوزه آبخیز، 2 (3): 62-51.

حقی­زاده، ع.، م. محمدلو و ف. نوری. 1394. شبیه­سازی فرآیند بارش- رواناب با استفاده از شبکه عصبی مصنوعی و سیستم فازی عصبی تطبیقی و رگرسیون چند متغیره (مطالعه موردی: حوضه آبخیز خرم­آباد). مجله اکوهیدرولوژی، 2 (2): 243-233.

دستورانی، م.ت.، ح. شریفی دارنی، ع. طالبی و ع.ر. مقدم­نیا. 1390. کارآیی شبکه­های عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقی در مدل­سازی بارش- رواناب در حوضه آبخیز سد زاینده­رود. مجله آب و فاضلاب، 4: 125-114.

دهقانی، ن.، م. وفاه­خواه و ع.ر. بهره­مند. 1395. مدل­سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی- عصبی تطبیقی در حوزه آبخیز کسیلیان. پژوهشنامه مدیریت حوزه آبخیز، 13(7): 137-128.

علیزاده، ا. 1374. اصول هیدرولوژی کاربردی. انتشارات آستان قدس، چاپ پنجم، مشهد، 634 ص.

نجفی نیسیانی، ن. 1385. برآورد بار رسوب رودخانه زاینده­رود با استفاده از شبکه عصبی مصنوعی، پایان‌نامه کارشناسی ارشد سازه­های آبی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، 160 ص.

Alizadeh, M. J., M. R. Kavianpour, O. Kisi and V. Nourani. 2017. A new approach for simulating and forcasting the rainfall runoff process within the next two months. Journal of Hydrology, 548: 588-597.

Anctil, F., C. Michae, C. Perrin and V. Andreassian. 2004. A soil moisture index as an auxiliary ANN input for stream flow forcasting. Journal of Hydrology, 286: 155-167.

Anusree, K. and K. O. Varghese. 2016. Streamflow predictioin of Karuvannur river basin using ANFIS, ANN and MNLR models. International Conference on Emerging Trends in Engineering. Science and Technology, Procedia Technology, 24: 101-108.

Aqil, M., I. Kita, A. Yano and S. Nishiyama. 2007. A comparative study of artificial neural networks and Neuro-Fuzzy in continuous modeling of the daily and hourly behavior of runoff. Journal of Hydrology, 337: 22- 34.

Ashrafi, M., C. C. Liyd Hock, Q. Chai, and Q. Xiaosheng. 2017. A fully-onlinr Neuro-Fuzzy model for flow forecasting in basins with limited data. Journal of Hydrology, 545: 424-435.

Chang, T. K., A. Talei, S. Alaghmand and L. H. C. Chua. 2016. Rainfall-runoff modeling using dynamic evolving neural fuzzy inference system with online learning. Procedia Engineering, 154: 1103-1109.

Heggen, R. J. 2001. Normalized antecedent precipitation index. Journal of Hydrology Engineering, 6(5): 377-381.

Kisi, O. 2010. River suspended sediment concentration modeling using a neural differential evolution approach. Journal of Hydrology, 389: 227-235.

Kisi, O., T. Haktanir, M. Ardiclioglu, O. Ozturk, E. Yalcin and S. Uludag. 2009. Adaptive neuro-fuzzy computing technique for suspended sediment estimation. Advances in Engineering Software, 40: 438-444.

Sachan, A. and D. Kumar. 2017. Neural fuzzy inference system modeling with different input vectors for rainfall-runoff prediction. International Journal of Advance Research, Ideas and Innovations in Technology, 3 (6): 449-458.