استفاده ترکیبی از تبدیل موجک و مدل‌های هوشمند در شبیه‌سازی جریان رودخانه (مطالعه موردی: رودخانه‌های کاکارضا و سراب صیدعلی)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی علوم آب

2 ، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز

3 اهواز، دانشیار گروه هیدرولوژی و منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز.

چکیده

چکیده
بی­شک اولین قدم برای مدیریت منابع آب پیش‌بینی و برآورد جریان رودخانه‌ها است. در این مطالعه به منظور پیش‌بینی سری زمانی جریان روزانه و ماهانه ایستگاه‌های کاکارضا و سراب صیدعلی، مدل‌های شبکه عصبی مصنوعی و سیستم استتتاج فازی عصبی تطبیقی استفاده شده است. به منظور بهبود نتایج شبیه‌سازی از آنالیز موجک به عنوان مدل ترکیبی استفاده شد. برای این هدف، سری زمانی جریان و بارش به مدت 12 سال (1392-1380) به وسیله تبدیل موجک به زیر‌سری‌های فرکانسی تجزیه شد، سپس این زیرسری‌ها به عنوان داده‌های ورودی به مدل‌های شبکه عصبی مصنوعی و سیستم استتتاج فازی عصبی تطبیقی وارد شد. نتایج بدست آمده حاکی از آن بود که سیستم استتتاج فازی عصبی تطبیقی با میزان خطای کمتر و ضریب همبستگی بیشتر نسبت به روش شبکه عصبی مصنوعی از دقت بالاتری برخوردار است و اعمال تبدیل موجک روی داده‌های اصلی جریان و بارش باعث بهبود چشمگیر نتایج پیش‌بینی شد.

کلیدواژه‌ها

عنوان مقاله [English]

Hybrid Usage of The Wavelet ransform and Intelligent to Simulation River Flow (Case Study: KaKa Reza and Sarab seyed Ali rivers)

نویسندگان [English]

  • Amir Pourhaghi 1
  • Abazar Solgi 2
  • Freidon Radmanesh 3
  • Mehrnoush Shehni darabi
1
2
3 Associate Professor, Department of Hydrology and Water Resources, Faculty of Water Sciences, Shahid Chamran University of Ahvaz, Iran
چکیده [English]

Without a doubt, the first step to manage water resources is accurately predicting of river flow. In This study, to predict time series of daily and monthly of kakareza and sarab seyed ali stations, artificial neural network and Adaptive neuro-fuzzy inference system models is used. the daily and Monthly rainfall and runoff time series of Sarab seyedali and kakareza basins were decomposed into sub-signals in various resolution levels using wavelet analysis and then these sub-signals entered to the ANN and ANFIS models to reconstruct the main forecasted time series. The model results show the high merit of Db-4 wavelet in comparison with the Haar wavelet. Too, results showed that WANFIS model produced better forecasts than either the ANN, WANN, ANFIS models.

کلیدواژه‌ها [English]

  • Keyword: ANN
  • ANFIS
  • Wavelet Transform
  • Rainfall-Runoff

مراجع

منابع
احمدی، ف.،س. آیشم، ک.خلیلی، ج. بهمنش. 1394. کاربرد سیستمهای استنتاج عصبی- فازی تطبیقی و برنامه‌ریزی ژنتیک برای برآورد تبخیر تعرق ماهانه در شمال‌غرب ایران. نشریه پژوهش آب در کشاورزی.(2)2/235:29 -247.
نیک منش، محمدرضا. 1394. پیش‌بینی آبدهی متوسط ماهانه با استفاده از مدل تلفیقی شبکه عصبی مصنوعی و تبدیلات موجک (مطالعه موردی: رودخانه کر- ایستگاه پل خان). مجله پژوهش‌های حفاظت آب و خاک. (3)22: 239-231.
سلگی، اباذر. 1393. پیش‌بینی جریان رودخانه با مدل ترکیبی شبکه عصبی موجک و مقایسه آن با روشهای سیستم استنتاج فازی-عصبی تطبیقی و شبکه عصبی مصنوعی (مطالعه موردی: رودخانه گاماسیاب نهاوند). پایان‌نامه کارشناسی ارشد. دانشگاه شهید چمران اهواز.
سلگی، ا.، رادمنش، ف.، سلطانی، ک. 1394. مدل‌سازی هوشمند سری زمانی جریان ماهانه حوضه رودخانه شور قروه با استفاده از شبکه عصبی مصنوعی. مجله پژوهش‌های حفاظت آب و خاک. (1)22: 318-309.
شجاع رستگاری، ح.، غ غ. بارانی. 1390. بکارگیری سیستم فازی - عصبی تطبیقی در مدلسازی بارش – رواناب. اولین همایش منطقه ای توسعه منابع آب، ابرکوه، دانشگاه آزاد اسلامی واحد ابرکوه.
شفائی، م.،.فاخری فرد، ص. دربندی، م ع. قربانی.1392. پیش‌بینی جریان روزانه رودخانه با استفاده از مدل هیبرید موجک و شبکه عصبی؛ مطالعه موردی ایستگاه هیدرومتری ونیار در حوضه آبریز آجی چای. فصلنامه علمی پژوهشی مهندسی آبیاری و آب. (14)128:4-113.
طوفانی، پ، ا. مساعدی، ا. فاخری فرد. 1390. پیش­بینی بارندگی با استفاده مستقیم از نظریه موجک(مطالعه موردی: ایستگاه باران سنجی زرینگل استان گلستان). نشریه آب و خاک. (5)24 : 1226-1217.
عبداله‌پور آزاد، م ر.، م ت. ستاری. 1394. پیش­بینی جریان روزانه رودخانه اهرچای با استفاده از روش‌های شبکه‌های عصبی مصنوعی(ANN) و مقایسه آن با سیستم استنتاج فازی- عصبی تطبیقی(ANFIS). نشریه پژوهش‌های حفاظت آب و خاک. (1)22 : 298-287.
عراقی نژاد، ش.، م. کارآموز. 1384. پیش­بینی بلند مدت رواناب با استفاده از شبکه­های عصبی مصنوعی و سیستم استنتاج فازی. نشریه تحقیقات منابع آب ایران. (2)29:1-41.
غفاری، غ ع.، م. وفاخواه. 1392. شبیه‌سازی فرآیند بارش- رواناب با استفاده از شبکه عصبی مصنوعی و سیستم فازی- عصبی تطبیقی(مطالعه موردی: حوزه آبخیز حاجی‌قوشان). پژوهش‌نامه مدیریت حوزه آبخیز.(8)4 : 136-120.
مساعدی، ا.، م. قبائی سوق. 1390. برآورد تبخیر روزانه از تشت تبخیر با استفاده از سیستم استنتاج تطبیقی عصبی- فازی. مجله پژوهش آب ایران. (8)5 : 170-161.
نحوی‌نیا، مج.، ع. لیاقت،م. پارسی نژاد.1389. کاربرد مدل‌های تجربی و آماری در پیش بینی میزان نفوذ آب در آبیاری جویچه‌ای. نشریه آب و خاک.(4)24:769-780 .
وزارت نیرو. دفتر مطالعات، گزارش هیدروژئولوژی و زمین‌شناسی. 1392.
Abrahart, R.J., L. See. 2000. Comparing neural network (NN) and Auto Regressive Moving Average (ARMA) techniques for the provision of continuous river flow forecasts in two contrasting catchment. Hydrology Process, 14:2157-2172.
Altunkaynak, A. 2007. Forecasting surface water level fluctuations of Lake Van by artificial neural networks. Water Resource Management, 21:399–408.
Aqil, M., I.Kita, A. Yano, S.Nishiyama. 2007. Analysis and prediction of flow from local source in a river basin using a Neuro-fuzzy modeling tool. J. Environ. Manage, 85:215–223.
 
 
Govindaraju, R.S. 2000. Artificial Neural Networks in Hydrology. II: Hydrologic Applications.J. Hydrol. Eng, 5(2):124–137.
Bierkens, M.F.B. 1988. Modeling water table fluctuations by means of a stochastic differential equation. J. of Water Resources Research, 34(10):2485–2499.
Hornik, K. 1988. Multilayer feed-forward networks are universal approximates Neural Networks, 2(5):359–366.
Jang, J.S.R., C.T.Sun, E. Mizutani. 1997. Neuro-fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Third ed. Prentice-Hall, New Jersey.
Kim, T., J.B. Valdes. 2003. Nonlinear model for drought forecasting based on a conjunction of wavelet transforms and neural networks. J. Hydrol. Eng, 8(6):319–328.
Mallat, S.G. 1998. A Wavelet Tour of Signal Processing, second ed. Academic Press, San Diego.
Nayak, P.C., K.P.Sudheer, D.M. Rangan, K.S. Ramasastri. 2005. Short-term flood forecasting with a neurofuzzy model. Water Resources Research, 41(4):2517-2530.
Nourani, V., M.T. Alami,M.H. Aminfar. 2009. A combined neural-wavelet model for prediction of Ligvanchai watershed precipitation. Engineering Applications of Artificial Intelligence, 22:466–472.
Nourani, V., M.Komasi. 2013. A geomorphology-based ANFIS model for multi-station modeling of rainfall–runoff process. Journal of Hydrology, 490:41–55.
Nourani, V., Ö. Kisi,M. Komasi.2011. Two hybrid artificial intelligence approaches for modeling rainfall–runoff process. Journal of Hydrology, 402(1-2):41–59.
Partal, T., O.Kisi. 2007. Wavelet and neruro-fuzzy conjunction model for precipitation forecasting. Journal of Hydrology, 342:199-212.
Polikar, R. 1996. Fundamental Concept and an Overview of the Wavelet Theory Wavelet Tutorial. Second Edition. Rowan University. Coollegeof Engineering Web Servers. Glassboro, NJ.08028.
Sifuzzamanm M., M.R. Islam, M.Z.Ali. 2009. Application of Wavelet Transform and its advantages Compared to Fourier Transform. Journal of Physical Sciences, 13:121-134.
Solgi, A., V.Nourani, A. Pourhaghi. 2014. Forecasting Daily Precipitation Using Hybrid Model of Wavelet-Artificial Neural Network and Comparison with Adaptive Neuro-Fuzzy Inference System (Case Study: Verayneh Station, Nahavand). Advances in Civil Engineering, 1-12.
Thuillard, M.2000. A review of wavelet networks, wavelets, fuzzy wavelets and their application. ESIT.in: Presented in Conference, 14-15 September 2000.
Wang, W., S.Ding. 2003. Wavelet network model and its application to the predication of hydrology. Nat. Sci, 1(1):67–71.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار