مدل سازی بارش رواناب با استفاده از مدل های هوشمند هیبریدی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دکتری منابع آب/ دانشیار گروه مهندسی آب، دانشگاه تبریز، تبریز، ایران

2 دانشجوی سابق کارشناسی ارشد/ گروه مهندسی آب، دانشگاه تبریز، تبریز، ایران

چکیده

بارش-رواناب یکی از فرایندهای مهم در مطالعات منابع آب بشمار می‌رود. در این تحقیق فرآیند بارش-رواناب روزانه در حوضه آبریز بالیخ‌لوچای با استفاده از ماشین بردار پشتیبان، شبکه‌ های عصبی مصنوعی، هیبرید موجک-ماشین بردار پشتیبان و هیبرید موجک-شبکه عصبی مورد مطالعه و مقایسه قرار گرفته است. داده‌ های بارش-رواناب روزانه در طول دوره آماری (1379-1387) برای آموزش و صحت‌سنجی مدل‌ ها مورد استفاده قرار گرفت. در حالت کلی نتایج حاکی از دقت قابل قبول هر چهار روش می‌باشد. از لحاظ اولویت نیز مدل هیبرید موجک-شبکه عصبی با بیشترین دقت و کمترین خطا در اولویت اول و مدل‌های هیبرید موجک-ماشین بردار پشتیبان، شبکه عصبی مصنوعی و ماشین بردار پشتیبان بترتیب در اولویت‌های بعدی قرار گرفتند. 

کلیدواژه‌ها


عنوان مقاله [English]

Rainfall-Runoff Modeling Using Hybrid Intelligent Models

نویسندگان [English]

  • M.A. Ghorbani 1
  • A. Azani 2
  • S. Mahmoudi Vanolya 2
1 Associate Professor, Department of Water Engineering, University of Tabriz, Tabriz, Iran
2 MS.c graduate student, Department of Water Engineering, University of Tabriz, Tabriz, Iran
چکیده [English]

Rainfall-Runoff is considered one of the most important processes in water resources studies. In this study, to simulate the daily rainfall-runoff process of Balikhluchay Basin, four hybrid models of Support Vector Machine, Artificial Neural Networks, Wavelet-Support Vector Machine, and Wavelet-Neural Networks have been applied and compared. Daily Rainfall-runoff data for the period of 2000 to 2008, have been used for training and testing the models. In general, the results indicated acceptable accuracy of all the models. In terms of priority, the hybrid model of Wavelet-Neural Network with the highest accuracy and lowest errors was in the first rank and the Hybrid models of Wavelet-Support Vector Machines, Artificial Neural Networks and Support Vector Machines, were in next priorities.

کلیدواژه‌ها [English]

  • Rainfall-Runoff
  • wavelet transform
  • Artificial Neural Networks
  • Support Vector Machines
  • Hybrid
اسکندری ع، نوری ر (1389) توسعه مدلی مناسب بر مبنای شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیش بینی به هنگام اکسیژن خواهی بیو شیمیایی 5 روزه. محیط شناسی سال سی و هشتم، شماره 61: 74-76.
اسکندری­نیا ا (1387) تأثیرعامل بارش پیشین در برآورد جریان رودخانه توسط مدل‌سازی هوشمند بارش-رواناب. مجموعه مقالات هشتمین کنگره بین­المللی مهندسی عمران، شیراز، ایران، اردیبهشت 1388.
اعلمی م ت، صادق­فام س، فاضلی­فرد م ح، نقی­پور ل (1393) مدل‌سازی سری داده­ها. انتشارات دانشگاه تبریز. تبریز، 299 صفحه.
طوفانی پ، مساعدی ا، فاخری فرد ا (1390) پیش­بینی بارندگی با استفاده مستقیم از نظریه موجک، مطالعه موردی: ایستگاه باران‌سنجی زرینگل استان گلستان. نشریه آب وخاک (علوم و صنایع کشاورزی)، جلد25، شماره 5: 1226-1217.
نصری م. مدرس ر، دستورانی م ت (1388) کاربرد مدل شبکه عصبی در برآورد رواناب، مطالعه موردی: حوضه آبریز پلاسجان. فصلنامه آمایش محیط، جلد 2، شماره 5 : 23-37.
نوری ر، خاکپور ا، دهقانی م، فرخ­نیا ا (1389) پیش­بینی ماهانه جریان با استفاده از ماشین بردار پشتیبان بر مبنای آنالیز مؤلفه اصلی. نشریه آب و فاضلاب، جلد22، شماره 1 : 118-129.
نوری  م، میرحسینی  س م، زینال­زاده  ک، رهنما م ب (1386) الگوی جدید بارش-رواناب حوضه آبریز هلیل رود با استفاده از مدل هیبرید شبکه عصبی-موجک. نشریه زمین­شناسی مهندسی، جلد 2، شماره 2: 472-451.
Adamowski J (2013) Using support vector regression to predict direct runoff, base flow and total flow in a mountainous watershed whit limited data in Uttaranchal, India. Versita 45: 71-83.
Lippman R (1987) An introduction to computing with neural nets. IEEE ASSP Mag 4, 4-22.
Misra D, Oommen T, Agarwal A, Mishra SK (2009) Application and analysis of Support Vector Machine based simulation for runoff and sediment yield. Biosystems Engineering 103: 527-535.
Nelder J A and Mead R (1964) ASimplex method for function minimization. The Computer Journal 308-313.
Lafadani E (2013) Stream flow simulation using SVM, ANFIS and NAM models (A Case Study). Caspian Journal of Applied Sciences Research 2: 86-93.