بررسی و مقایسه عملکرد 4 روش مدل سازیLS-SVM ،NN ، GEPو ANFIS-PSO در شبیه سازی بارش – رواناب (منطقه مورد مطالعه: هلیل رود - سد جیرفت)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری- دانشگاه بیرجند

2 گروه مهندسی آب، دانشگاه بیرجند، بیرجند

10.22125/iwe.2021.128115

چکیده

شبیه‌سازی و پیش بینی روند بارش-رواناب یکی از مهمترین زمینه‌های پژوهشی در هیدرولوژی است که در مدیریت و برنامه ریزی منابع آب رودخانه‌ها و مخازن سد و همچنین حفاظت از آن‌ها در زمان وقوع سیلاب نقش بسزایی دارد ولی به دلیل پیچیدگی‌های پارامترهای هیدرولوژیکی، انجام این مساله با چالش‌هایی رو به روست. در این مطالعه، از چهار مدل مبتنی بر داده LS-SVM ، NN ،  GEP و ANFIS-PSO و همچنین از داده‌های 7 ایستگاه هواشناسی بالادست سد جیرفت در استان کرمان در بازه زمانی 1378 تا 1394 برای شبیه سازی فرآیند تخمین دبی ورودی به سد جیرفت در استان کرمان استفاده شد. ابتدا با آزمون پیرسون ترکیب مناسبی از ورودی‌ها انتخاب و سپس شبیه سازی با هر روش صورت پذیرفت.  نتایج پژوهش بر اساس دو معیار ضریب همبستگی (R)، ریشه متوسط ​​مربعات خطا (RMSE) نشان داد که روش ANFIS-PSO  با مقدار RMSE برابر 42/0 مترمکعب بر ثانیه و 95/0 =R2 در بخش آموزش و RMSE و R2 به میزان 97/0 مترمکعب برثانیه و 80/0 در بخش صحت سنجی بهترین روش از بین مدل‌های مورد بررسی بود و در هر دو بخش آموزش و صحت سنجی دقت بالاتری نسبت به سه مدل دیگر داشت. همچنین این مدل در شبیه سازی دبی‌های بیشینه نیز بهتر از سایر روش‌ها عمل نمو و خطای نسبی محاسبات آن بین 09/33 تا 2/54 برای دبی‌های مختلف به دست آمد.

کلیدواژه‌ها

عنوان مقاله [English]

Review and compare performance of 4 modeling methods LS-SVM, NN, GEP and ANFIS-PSO in Simulation of Rainfall - Runoff (Study Area: Halil River - Jiroft Dam)

نویسندگان [English]

  • Mohadeseh Kavoosi 1
  • Hossien khozeymehnehad 2
1 PhD student - University of Birjand
2 Assistant Professor, Department of water Engineering, University of Birjand
چکیده [English]

Simulation and prediction of rainfall-runoff process is one of the most important research areas in hydrology, that it is important in the management and planning of water resources of rivers and reservoirs and also their protection during the flood, but due to the complexity of the hydrological parameters, doing so have challenges. In this study, four data-driven method included LS-SVM, NN, GEP and ANFIS-PSO and data of 7 upstream meteorological stations of Jiroft Dam in Kerman province between 1999 and 2015 were used to simulate the input flow estimation process to Jiroft Dam. First combination of inputs was selected by Pearson test and then simulated by each method. The results based on two criteria of correlation coefficient (R), root mean square error (RMSE) showed that ANFIS-PSO method with RMSE = 0.42 m3 / s and R2 = 0.95 in education section and RMSE=0.97 m3/s and R2 = 0.80 in the test section was the best among the models studied and in both training and test sections, it was more accurate than the other three models. Also, this model performs better than other methods in simulation of maximum discharges and its relative calculation error was obtained between 33.09 and 54.2 for different discharges

کلیدواژه‌ها [English]

  • : Rainfall-Runoff
  • LS-SVM
  • NN
  • GEP
  • ANFIS-PSO

مراجع

اسحاق تیموری، م. ع.، حبیب نژاد، م، کاویان، ع. و شاهدی، ک. 1391. شبیه سازی فرآیند بارش- رواناب در حوزه‌های با آمار کم با استفاده از مدل wms (مطالعه موردی؛ حوزه آبخیز چالوس). نشریه علمی پژوهشی مهندسی آبیاری و آب ایران, 3(1), 12-25.
امامقلی‌زاده، ص. و کریمی‌دمنه، ر. 1396. کاربرد روش‌ برنامه‌ریزی بیان ژن در تعیین ضریب هوادهی دریچه تخلیه‌کننده تحتانی سدها. مجله پژوهش‌های حفاظت آب و خاک. 24(1): 279-286.
باقرپور، م.، سیدیان، م.، فتح آبادی، ا. و محمدی، ا. 1397. پیش­بینی رواناب با استفاده از مدل­های جعبه سیاه و خاکستری. تحقیقات منابع آب ایران، 14(5): 204-219.
پوررضابیلندی، م.، خاشعی سیوکی، ع. و صادقی طبس، ص. 1393. پیش­بینی رواناب روزانه با مدل حداقل مربعات ماشین بردار پشتیبان(LSSVM). نشریه پژوهش­های حفاظت آب و خاک، 21(6): 293-304.
سلگی، ا. زارعی، ح. و گلابی، م. ر. 1396. بررسی عملکرد مدل برنامه‌ریزی بیان ژن با روش‌های پیش‌پردازش داده‌ها جهت مدل‌سازی جریان رودخانه. مجله پژوهش‌های حفاظت آب و خاک. 24(2): 185-201.
صادقی طبس، ص. و پوررضابیلندی، م. 1392. .مقایسه روش­های بهینه­سازی فراکاوشی در تحلیل عدم قطعیت پارامترهای مدل مفهومی بارش-رواناب.مجله منابع طبیعی ایران،68(2): 533-552.
علیزاده، ا. 1385.اصول هیدرولوژی کاربردی، چاپ ششم، موسسه چاپ و انتشارات آستان قدس رضوی،دانشگاه امام رضا مشهد،734- 447.
قربانی، م. ع. و دهقانی، ر. 1395. کاربرد شبکه‌های عصبی بیزین، ماشین بردار پشتیبان و برنامه‌ریزی بیان ژنی در تحلیل بارش – رواناب ماهانه (مطالعه موردی:رودخانه کاکارضا). علوم و مهندسی آبیاری، 39(2): 125-138.
قربانی، خ. نعیمی‌کلورزی، ز. سالاری‌جزی، م. و دهقانی، ا. ا. 1395. برآورد جریان ماهانه در حوضه‌های فاقد آمار با استفاده از پارامترهای اقلیمی و فیزیوگرافی حوضه'. مجله پژوهش‌های حفاظت آب و خاک، 23(3): 224-207.
کیاء، ع.، عمادی، ع. و غلامی، م. ع. 1398. مدل‌سازی بارش- رواناب با سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) و رگرسیون خطی چندمتغیره (MLR). نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، 9(4): 39-51.
ناظری تهرودی، م.، هاشمی، س. ر.، احمدی، ف. و ناظری تهرودی، ز. 1395. بررسی دقت مدل‏ های ANFIS، SVM و GP در مدل‏ سازی مقادیر دبی جریان رودخانه. اکوهیدرولوژی, 3(3), 347-361.
نیک­پور، م،. ثانی خانی، ه.، محمودی بابلان، س. و محمدی، ع. 1395. کاربرد مدل­های LSSVM,ANN,WNN و GEP در شبیه­سازی بارش-رواناب رودخانه خیاوچای.مجله اکوهیدرولوژی،4(2): 639-625.
Aytek A, Alp M. An application of artificial intelligence for rainfall-runoff modeling.2008. Journal of Earth System Science.117 (2):145-155.
Badrzadeh H, Sarukkalige R, Jayawardena AW. Hourly runoff forecasting for flood risk management: Application of various computational intelligence models. 2015. Journal of Hydrolog. 529:1633-1643.
Botsis, D. Latinopoulos, P. and Diamantaras, K., 2011. Rainfall-Runoff Moeling Using Suport Vector Regression and Artificial Neural Networks. In 12th International Conference on Environmental Science and Technology, Rhodes, Greece.
Misra D, Oommen T, Agarwal A, Mishra S, Thompson A (2009) Application and analysis of support vector machine based simulation for runoff and sediment yield. Biosystems Engineering 103(4):527-535.
Nayak PC, Venkatesh B, Krishna B, Sharad KJ. Rainfall-runoff modeling using conceptual, data driven, and wavelet based computing approach. Journal of Hydrology. 2013; 493:57-67.
Nourani V. An Emotional ANN (EANN) approach to modeling rainfall-runoff process. Journal of Hydrology. 2016; 544:267-277.
Saeedi Farzad B. Intelligent simulation of rainfall-runoff using a semi-distributed model with time variables. Ph.D. thesis in civil engineering, Faculty of Engineering, University of Tabriz, Tabriz. 2014. [Persian]

فایل ها

هم رسانی

ارجاع به این مقاله

آمار