بررسی کارایی مدل هیبریدی Wavelet-M5 در پیش بینی فرآیند بارش-رواناب

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد مهندسی و مدیریت منابع آب/ دانشکده مهندسی عمران، دانشگاه تبریز

2 استاد/ گروه مهندسی آب، دانشکده عمران، دانشگاه تبریز

3 دانشجوی دکتری مهندسی و مدیریت منابع آب/ دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران (نویسنده مسئول)

چکیده

فرآیند بارش- رواناب از مهمترین و پیچیده ترین پدیده ها در چرخه هیدرولوژی بوده لذا در مدل سازی آن، دیدگاه های متفاوتی برای توسعه و بهبود مدل های پیش بینی کننده ارائه گردیده است. بدیهی است درک صحیحی از رفتار حوضه می تواند نقش موثری در انتخاب مدل و همچنین صرفه‌جویی در زمان مربوط به امر شبیه‌سازی ایفا نماید. مطالعات پیشین نشان داده است که جهت مدل سازی حوضه های آرام که معمولا دارای الگوی منظم بارش هستند، مدل های چندخطی عملکرد قابل قبولی دارند. در این مطالعه ضمن معرفی مدل ترکیبی چندخطی موجک-درخت تصمیم، کارایی آن جهت مدل سازی فرآیند بارش-رواناب حوضه آبریز آجی چای مورد مطالعه قرار گرفت. در ابتدا سری های زمانی بارش و رواناب با استفاده از تبدیل موجک به چندین زیرسری تجزیه گشته تا بر ناایستایی آن غلبه گردد. سپس زیرسری های حاصله به عنوان ورودی به مدل M5 درختی اعمال شد تا پس از طبقه بندی داده ها، رگرسیون مربوط به هر خوشه ارائه شود. در ادامه نتایج با سایر مدل ها (مدل های ANN، M5 و WANN) مقایسه گردید که برای این منظور از دو معیار ریشه میانگین مربعات خطا و ضریب تبیین جهت ارزیابی نتایج استفاده شد. نتایج نشان داد که برای حوضه نسبتا آرام آجی چای عملکرد مدل ترکیبی پیشنهادی موجک-درخت تصمیم نسبت به مدل خام M5 درختی تا 69 درصد بهبود می‌یابد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Hybrid Wavelet-M5 Modeling in Rainfall-Runoff Process Forecast

نویسندگان [English]

  • Ali Davanlou Tajbakhsh 1
  • Vahid Nourani 2
  • Amir Molajou 3
1 M.Sc., Dept. of Water Resources Eng., Faculty of Civil Engineering, Univ. of Tabriz, Tabriz, Iran
2 Prof., Dept. of Water Resources Eng., Faculty of Civil Engineering, Univ. of Tabriz, , Tabriz, Iran
3 Ph.D. Student, Dept. of Water Resources Eng., Faculty of Civil Engineering, Iran University of Science and Technology, Tehran, Iran
چکیده [English]

Rainfall-runoff process is one of the most important and complex phenomena in the hydrological cycle, therefore different views have been presented for the development of the modeling. Obviously, the recognition of the behavior of the catchment can play an important role in selecting of the appropriate model for saving time on the simulation. Previous studies have shown that the multi-linear models have an acceptable performance in the case of watersheds which usually have a regular rainfall pattern. In this study, the multi-linear Wavelet-M5 model was introduced and the rainfall-runoff process of the Aji Chay catchment was investigated. At first, the main rainfall and runoff time series were decomposed to several sub-time series by the wavelet transform to overcome its non-stationary, then the obtained sub-time series were imposed as input data to M5 model tree to forecast the runoff values and also the results were compared to the other models by the root mean squared error and determination coefficient criteria. The results showed that the performance of the proposed hybrid Wavelet-M5 model increased up to 69% compared to the sole M5 model tree for the Aji Chay catchment.

کلیدواژه‌ها [English]

  • "Rainfall-runoff modeling"
  • "Artificial Network"
  • "Decision tree"
  • "Wavelet transform"

مراجع

Barzegar R, Asghari Moghaddam A, Tziritis E (2016) Assessing the hydrogeochemistry and water quality of the Aji-Chay River, northwest of Iran. Environmental Earth Sciences 75(23):1486
Danandeh Mehr A, Kahya E, Bagheri F, Deliktas E (2014) Successive-station monthly streamflow prediction using neuro-wavelet technique. Earth Science Informatics 7(4):217-229
Danandeh Mehr A, Nourani V, Hrnjica B, Molajou A (2017) A binary genetic programing model for teleconnection identification between global sea surface temperature and local maximum monthly rainfall events. Journal of Hydrology 555:397-406
Davanlou Tajbakhsh A (2017) Hybrid data mining models for hydrological forecasts. M.Sc. Thesis, Faculty of Civil Engineering, University of Tabriz (In Persian)
Liu Z, Todini E (2002) Towards a comprehensive physically-based rainfall-runoff model. Hydrology and Earth System Sciences Discussions 6(5):859-881
Parisuj P, Goharnejad H, Moazami S (2017) Rainfall-runoff hydrologic simulation using adjusted satellite rainfall algorithms, a case study: Voshmgir Dam Basin, Golestan. Iran-Water Resources Research 14(3):140-159
Nayak PC, Sudheer KP, Rangan DM, Ramasastri KS (2004) A neuro-fuzzy computing technique for modeling hydrological time series. Journal of Hydrology 291(1-2):52-66
Nourani V (2017) An emotional ANN (EANN) approach to modeling rainfall-runoff process. Journal of Hydrology 544:267-277
Nourani V, Molajou A )2017( Application of a hybrid association rules/decision tree model for drought monitoring. Global and Planetary Change 159:37-45
Nourani V, Alami MT, Aminfar MH (2009a) A combined neural-wavelet model for prediction of Ligvanchai watershed precipitation. Engineering Applications of Artificial Intelligence 22(3):466-472
Nourani V, Komasi M, Mano A (2009b) A multivariate ANN-wavelet approach for rainfall–runoff modeling. Water Resources Management 23(14):2877-2894
Nourani V, Hosseini Baghanam A, Adamowski J, Kisi O (2014) Applications of hybrid wavelet–artificial intelligence models in hydrology: a review. Journal of Hydrology 514:358-377
Nourani V, Sattari M T Molajou A )2017( Threshold-based hybrid data mining method for long-term maximum precipitation forecasting. Water Resources Management 31(9):2645-2658
Rezapour Khanghah T (2012) Entropy based rainfall-runoff feature extraction method employed in wavelet-ANN modeling. M.Sc. Thesis, Faculty of Civil Engineering, University of Tabriz (In Persian)
Sharghi E, Nourani V, Najafi H, Molajou A (2018) Emotional ANN (EANN) and Wavelet-ANN (WANN) approaches for markovian and seasonal based modeling of rainfall-runoff process. Water Resources Management 32(10):3441-3456
Sattari MT, Nahrein F, Azimi V (2013) M5 model trees and neural networks based prediction of daily ET0 (case study: Bonab station). Iranian Journal of Irrigation and Drainage 7(1):104-113 (In Persian)
Solomatine DP, Dulal KN (2003) Model trees as an alternative to neural networks in rainfall-runoff modelling. Hydrological Sciences Journal 48(3):399-411
Solomatine DP, Xue Y (2004) M5 model trees and neural networks: application to flood forecasting in the upper reach of the Huai River in China. Journal of Hydrologic Engineering 9(6):491-501
Vakili Sh (2016) Forecasting of monthly precipitation using M5 model tree and classic statistical methods (Case study: Oroumieh synoptic station). Iran-Water Resources Research 13(4):179-183
Wang WC, Xu DM, Chau KW, Chen S (2013) Improved annual rainfall-runoff forecasting using PSO–SVM model based on EEMD. Journal of Hydroinformatics 15(4):1377-1390
تحقیقات منابع آب ایران
دوره 15، شماره 2
مرداد 1398
صفحه 1-10

فایل ها

سابقه مقاله

  • تاریخ دریافت: 30 فروردین 1397
  • تاریخ بازنگری: 26 شهریور 1397
  • تاریخ پذیرش: 03 مهر 1397

هم رسانی

ارجاع به این مقاله

آمار