پیش بینی دبی متوسط روزانه جریان رودخانه بهشت آباد با استفاده از آنالیز موجک

آب و خاک

مقاله 6، دوره 28، شماره 3، مرداد 1393، صفحه 534-545   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.29201

نویسندگان

سجاد عبداللهی اسدآبادی^{* 1}؛ یعقوب دین پژوه²؛ رسول میرعباسی نجف آبادی³

¹دانشگاه شهید چمران اهواز

²دانشگاه تبریز

³دانشگاه شهرکرد

چکیده

پیش بینی دبی رودخانه ها یکی از موارد کلیدی در برنامه ریزی و مدیریت منابع آب می باشد. در این مطالعه از دو روش مبتنی بر آنالیز موجک و شبکه عصبی مصنوعی (ANN) به منظور پیش بینی دبی جریان رودخانه بهشت آباد استفاده شد. بدین منظور، داده های دبی متوسط روزانه رودخانه مذکور و اطلاعات بارش روزانه مربوط به 17 ایستگاه هواشناسی در طول دوره آماری 2008-1999 استفاده گردید. در روش اول موسوم به روش موجک متقاطع (CW)، از موجک مختلط مورلت به عنوان تابع آنالیزگر استفاده شد. تجزیه موجک برای هر یک از سری های زمانی مجموع بارش روزانه و دبی متوسط روزانه جریان بصورت جداگانه انجام گرفت. فاز اولیه و اختلاف فاز زیر سری های حاصل از تجزیه موجک و ثابت های واسنجی محاسبه گردید. سپس بازسازی سری های ساختاری انجام و میانگین مولفه های ساختاری بازسازی شده محاسبه شد. مدل دبی جریان به ازای افق های پیش بینی 1 روز، 2 روز، 3 روز و 7 روز جلوتر بسط داده شد. در روش دوم موسوم به روش تلفیقی موجک و شبکه عصبی (WNN)، ابتدا با استفاده از موجک گسسته میر، پردازش اولیه بر روی ماتریس ورودی اولیه انجام گرفت. سپس با نرمالسازی درایه های ماتریس ورودی اولیه، ماتریس ورودی ثانویه تشکیل گردد. ماتریس ورودی ثانویه و ماتریس هدف به یک شبکه سه لایه پیشخور با الگوریتم پس انتشار (FFBP) اعمال شدند. آموزش شبکه با استفاده از تابع آموزش لونبرگ مارکوارت (LM) انجام گرفت. نهایتاً، پیش بینی جریان به ازای افق های زمانی کوتاه مدت انجام شد. نتایج نشان داد پیش بینی های مدل WNN در مقایسه با مدل های CWو ANN از دقت بالاتری برخوردار می باشد.

کلیدواژه‌ها

پیش بینی؛ دبی جریان رودخانه؛ موجک متقاطع؛ شبکه عصبی مصنوعی

مراجع

بشری م.، و وفاخواه م. 1389. مقایسه روش های مختلف تحلیل سری های زمانی در پیش بینی دبی ماهانه حوزه آبخیز کرخه. فصلنامه علمی پژوهشی مهندسی آبیاری و آب، سال اول، شماره2، ص 86-75.

2- فتح آبادی ا.، سلاجقه ع.، و مهدوی م. 1387. پیش بینی دبی رودخانه با استفاده از روش های نوروفازی و مدل های سری های زمانی. مجله علمی پژوهشی علوم و مهندسی آبخیزداری ایران، سال دوم، شماره 5، ص 30-21.

3- کارآموز م.، و عراقی نژاد ش. 1384. هیدرولوژی پیشرفته. انتشارات دانشگاه صنعتی امیرکبیر.

4- منهاج م. 1380. مبانی شبکه های عصبی مصنوعی (جلد اول). انتشارات دانشگاه صنعتی امیرکبیر.

5- Adamowski J. 2008a. Development of a short-term river flood forecasting method for snowmelt driven and cross-wavelet analysis floods based on wavelet. Journal of Hydrology. 353: 247-266.

6- Adamowski J. 2008b. River flow forecasting using wavelet and cross-wavelet transform models. Journal of Hydrological Process. 22: 4877-4891.

7- Adamowski J., and Sun K. 2010. Development of a coupled wavelet transform and neural network method for flow forecasting of non-perennial rivers in semi-arid watersheds. Journal of Hydrology. 390: 85-91.

8- Chen B.H., Wan X.Z. Yang S.H., and McGreavy C. 1999. Application of wavelets and neural Networks to diagnostic System development, 1, feature extraction. Computers & Chemical Engineering, 23)7(: 899-906.

9- Coulibaly P., Anctil F., and Bobee B. 2000. Daily reservoir inflow forecasting using artificial neural networks with stopped training approach. Journal of Hydrology. 230: 244–257.

10- Cannas B., Fanni A., See L., and Sias G. 2006. Data preprocessing for river flow forecasting using neural networks: Wavelet transforms and data partitioning. Phys. Chem. Earth. 31(18): 1164-1171.

11- Hagan M.T., and Menhaj M.B. 1994. Training feedforward networks with the Marquardt algorithm. IEEE Transactions on Neural Networks. 5: 989-993.

12- Jury M.R., Enfield D.B., and Melice J.L. 2002. Tropical monsoons around Africa: stability of El Nino-southern oscillation associations and links with continental climate. Journal of Geophysical Research. 107 (C10): 3151 DOI: 10.1029/2000JC000507.

13- Kisi O. 2007. Streamflow forecasting using different Artificial Neural Network algorithms. Journal of Hydrologic Engineering. 12(5): 533-539.

14- Kisi O. 2008. Stream flow forecasting using neuro-wavelet technique. Journal of Hydrological Process. 22: 4142-4152.

15- Lettenmaier D.P., and Wood E.F. 1992. Hydrologic Forcasting. In: D.R Maidment (eds.). Handbook OF Hydrology. McGRAW-HILL, INC. 26.1-26.30.

16- Labat D. 2010. Cross wavelet analyses of annual continental freshwater discharge and selected climate indices. Journal of Hydrology. 385: 269-278.

17- Mallat S. 1989. A theory for multiresolution signal decomposition: the wavelet representation. IEEE Transactions on Pattern Analysis and Machine Intelligence11(7): 674-693.

18- Nourani V., Komasi M., and Mano A. 2009. A multivariate ANN-Wavelet approach for Rainfall-Runoff Modeling. Water Resources Management. 23: 2877-2894.

19- Polikar R. 1996. Fundamental Concepts and Over View of Wavelet Theory. Second Edition. Rowan University. College of Engineering Web Servers. Glassboro. NJ.08028.

20- Sarangi A. 2005. Comparison of Artificial Neural Network and regression models for sediment loss prediction from Banha watershed in India. Journal of Agriculture Water Management. 78: 195-208.

21- Torrence C., and Compo G.P. 1998. A practical guide to wavelet analysis. Bulletin of the American Meteorological Society. 79(1): 61-78.

22- Wang W. and Ding J. 2003. Wavelet network model and its application to the prediction of hydrology. Nature and Science. 1: 67-71.