پیش‌بینی جریان رودخانه کشکان با استفاده از ترکیب روش‌های شبکه عصبی مصنوعی، آنالیز موجک وK - نزدیک‌ترین همسایه

آب و خاک

مقاله 3، دوره 31، شماره 6 - شماره پیاپی 56، بهمن 1396، صفحه 1561-1574   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v31i6.64337

نویسندگان

داریوش یاراحمدی؛ حمید میرهاشمی^*

دانشگاه لرستان

چکیده

پیش‌بینی دقیق هیدرولوژی و منابع آب می‌تواند اطلاعاتی مفیدی برای برنامه‌ریزی شهری، آمایش زمین، طراحی پروژه‌های شهری و مدیریت منابع آب ارائه دهد. در این مطالعه با در نظر گرفتن اهمیت قابل ‌توجهی که رودخانه کشکان در تأمین بخش مهمی از آب رودخانه کرخه و مشروب ساختن زمین‌های کشاورزی استان لرستان دارد مدل پیش‌بینی سری زمانی جریان این رودخانه با استفاده از روش‌های K- نزدیک‌ترین همسایه (K-NN)، شبکه عصبی مصنوعی (ANN) و ترکیب آنالیز موجک (WT) اجرا شد. در این خصوص ابتدا با استفاده از نمایه هرست، حافظه سری زمانی رودخانه یاد شده به مقدار 6/0 به دست آمد که نشان از حافظه بلندمدت و رفتار دینامیکی سیگنال سری زمانی آن داشت. در ادامه با در نظر گرفتن اینکه سری زمانی جریان رودخانه تابعی از سری‎های زمانی با تأخیر 1-3-5-7-10 و 15 روز است. فرآیند مدل‌سازی سیگنال رواناب با استفاده از دو روش K-NN و ANN انجام گرفت. در گامی دیگر سری زمانی سیگنال رواناب با استفاده از موجک مادر میر، به 4 زیر سیگنال تجزیه شد که با اتخاذ این زیرسیگنال‌ها به‌جای سیگنال اصلی، مدل‌های ترکیبی K-NN-WT و ANN-WT جهت شبیه‌سازی رواناب اجرا شدند. نتایج حاصل از سنجه‌های کارایی عملکرد مدل نشان دادند که مدل K-NN با خطای 6/4 درصد و ضریب همبستگی 9/0 از عملکرد مناسب‌تری نسبت به شبکه عصبی که متحمل خطاهای نامتقارنی شده بود برخوردار است. از سوی با ترکیب آنالیز موجک عملکرد هر دو مدل بهبود پیدا کرد که در این خصوص مدل ANN-WT با خطای 2/1 درصد و ضریب همبستگی 989/0 شبیه‌سازی دقیق‌تری را نسبت به سه مدل دیگر انجام داد.

کلیدواژه‌ها

رودخانه کشکان؛ سیگنال سری زمانی؛ موجک میر؛ نمایه هرست

مراجع

1- Abdollahi Asadabadi S., Dinpashoh Y., and Mirabbasi R. 2014. Forecasting of mean daily runoff discharge of behesht-abad River using wavelet analysis. Journal of Water and Soil, 28(3):534-545. (in Persian with English abstract)

2- Akhtar M.K., Corzo G.A., Van Andel S.J., and Jonoski A. 2009. River flow forecasting with artificial neural networks using satellite observed precipitation pre-processed with flow length and travel time information: case study of the Ganges river basin. Hydrol. Earth Syst. Sci, 13:1607–1618.

3- Anis Hosseini M., and Zaker Mashgh M. 2013. Analysis and forecasting of river flow kashkan using chaos theory. journal of hydrolic, 8(3):45-61. (in Persian with English abstract)

4- Azmi M., and Araghinejad. 2012. Development of K-Nearest Neighbour regression method in forecasting river stream flow. J. of Water and Wastewater, 2:108-119. (in Persian with English abstract)

5- 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.

6- Daubechies I. 1992. Ten lectures on wavelets. Society for Industrial Mathematics.

7- Haghizadeh A., Mohammadlo M., and Nouri F. 2015. Modeling rainfall – runoff process using artificial neural network and Neuro-Fuzzy Computing and multiple regression (case study: watershed of Korramabad). journal of Eco hydrology, 2:233-243. (in Persian with English abstract)

8- Hassanzadeh Y., Lotfollahi M.A., Shahverdi S., Farzin S., and Farzin N. 2013. De-noising and prediction of time series based on the wavelet algorithm and chaos theory (Case Study: SPI drought monitoring index of tabriz city), Iran-Water Resources Research, 8(3):1-13. (in Persian with English abstract)

9- Hurst H.E .1951. Long-term storage capacity of reservoirs (with discussion). Transactions of the American Society of Civil Engineers, 116: 770–808.

10- Karamuz M., and Araghinejad Sh. 2014. Advanced hydrology. AmirKabir University. Iran

11- Kia, M. 2010. Neural networks in matlab. Qian academic publishing.

12- Kisi O. 2007. Streamflow forecasting using different artificial neural network algorithms. ASCE Journal of Hydrologic Engineering, 12(5):532-539.

13- Kisi O. 2005. Daily river flow forecasting using artificial neural networks and auto-regressive models. Turkish J. Eng. Env. Sci, 29:9-20.

14- Lall U., and Sharma A. 1996. A nearest neighbor bootstrap for resampling hydrologic time series. Water Resources Research, 32(3):679-694.

15- Lee S., Ryu J.H., Lee M.J., and Won J.S. 2006. The Application of artificial neural networks to landslide susceptibility mapping at Janghung, Korea. Mathematical Geology, 38(2):199-220.

16- Mark H.B., Martin T.H., and Haward B.D. 2016. Neural network tolboxTM getting started guide. The MathWorks, Inc.

17- Menhaj M. 2002. Neural networks and artificial intelligent basic. First edition AmirKabiruniversity. Press, 350p.

18- Montaseri M., and Zamanzad Ghavidel S. 2014. River Flow Forecasting by Using Soft computing Journal of Water and Soil, 28 (2):394-405. (in Persian with English abstract)

19- Nayak P.C., Sudheer K.P., Rangan D.M., and Ramasastri K.S. 2004. A neuro-fuzzy computing technique for modeling hydrological time series. Journal of Hydrology, 291(1):52-66.

20- Pramanik N., and Panda R.K. 2009. Application of neural network and adaptive neuro-fuzzy inference systems for river flow prediction. Hydrological sciences journal, 54(2): 247-260.

21- Sanikhani H., Dinpashoh Y., and Ghorbani M.A. 2014. Baranduz-chay river flow modeling using the K-nearest neighbor and intelligent methods. water and soil science, 25(1):219-233.

22- Shafaei M., Fakheifard A., Darbandi S., and Ghorbani M.A. 2013. predicrion daily flow of vanyar station using ANN and wavelet hybrid procedure. Irrigation & Water Engineering, 14:144-128. (in Persian with English abstract)

23- Shataee Sh., Kalbi S., Fallah A., and Pelz D. 2012. Forest attributes imputation using machine-learning methods and ASTER data: comparison of k-NN, SVR and random forest regression algorithms. International Journal of Remote Sensing, 33(19):6254-6280. (in Persian with English abstract)

24- Veiga V.B., Hassan Q.K., and He J. 2015. Development of Flow Forecasting Models in the Bow River at Calgary, Alberta, Canada. journal Water, 7:99-115.

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

26- Wilson D. R., and Martinez T. R. 2000. Reduction techniques for exemplar-based learning algorithms. Machine Learning, 38(3): 257-286.

27- Wu C.L., and Chau K.W. 2010. Data-driven models for monthly streamflow time series prediction. Engineering Applications of Artificial Intelligence 23:1350-1367.

28- Yates D., Gangopadhyay S., Rajagopalan B., and Strzepek K. 2003. A technique for generating regional climate scenarios using a nearest-neighbor algorithm. Water Resoures Research, 39 (7): 1114- 1121.

29- Young C.C., Liu W.C., and Chung C.E. 2015. Genetic algorithm and fuzzy neural networks combined with the hydrological modeling system for forecasting watershed runoff discharge. The Natural Computing Applications, 1-13.