بررسی تأثیر شبکه موجک بر کارایی شبکه عصبی مصنوعی در پیش‌بینی رسوبات سیلابی

جغرافیا و مخاطرات محیطی

مقاله 8، دوره 12، شماره 4 - شماره پیاپی 48، بهمن 1402، صفحه 161-186   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2023.80745.1342

نویسندگان

حلیمه یار¹؛ مهدی حیات‌زاده^{* 2}؛ علی فتح‌زاده³؛ حمیده افخمی⁴

¹کارشناسی ارشد آبخیزداری، دانشگاه اردکان، اردکان، ایران

²استادیار آبخیزداری، دانشگاه اردکان، اردکان، ایران

³دانشیار آبخیزداری، دانشگاه اردکان، اردکان، ایران

⁴دکتری آبخیزداری، شرکت آب منطقه‌ای تهران، وزارت نیرو، تهران، ایران

چکیده

معمولاً سهم قابل‌ملاحظه‌ای از خسارت‌های ناشی از سیلاب، به رسوبات معلق در جریان سیل و هزینه‌های لایروبی ناشی از نشست آن‌ها در مناطق طبیعی، مسکونی و صنعتی برمی‌گردد. ازاین‌رو هنگام وقوع سیلاب علاوه بر پارامتر دبی آب، پایش دبی رسوبات حمل شده در آب نیز بسیار حائز اهمیت است. امروزه شبکه‌های عصبی مصنوعی به‌خوبی برای پیش­بینی سری‌های زمانی غیرخطی توسعه یافته‌اند، اما ماهیت غیرخطی داده‌های رسوب و تأثیر گسترده‌ای از عوامل مختلف بر میزان دبی رسوب، منجر شده تا پیش­بینی این داده‌ها همواره با چالش‌هایی مواجه باشند. تئوری موجک ازجمله روش‌های پیش‌پردازشی است که می­تواند با تجزیه سری‌های زمانی اصلی به سیگنال‌های فرعی منجر به‌وضوح بهتر روابط درونی داده‌های غیرخطی گردد. در تحقیق حاضر مقادیر داده‌های رسوب در دو ایستگاه آبنما و میناب از حوزه آبخیز رودان هرمزگان قبل از ورود به شبکه عصبی مصنوعی از طریق تبدیل موجک به سیگنال‌های فرعی شکسته شد و سپس توسط شبکه عصبی مصنوعی فرایند پیش­بینی صورت پذیرفت. همچنین به‌منظور بررسی تأثیر تبدیل موجک در عملکرد مدل شبکه عصبی، نتایج حاصل از این مدل ترکیبی با نتایج به دست آمده از مدل شبکه عصبی منفرد مقایسه گردید و کارایی آن‌ها با استفاده از روش اعتبارسنجی چندتکه، همبستگی و ریشه میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج حاصله نشان داد شبکه عصبی مصنوعی در دو ایستگاه موردمطالعه به ترتیب با همبستگی 89/0 و 68/0 و شبکه عصبی موجکی با همبستگی 9/0 و 8/0 قادر به شبیه‌سازی میزان رسوبات هستند. همچنین آماره نرمال شده ریشه میانگین مربعات خطا به ترتیب در شبکه‌های عصبی مصنوعی 104/0 و 35/0 و در شبکه‌های ترکیبی 124/0 و 18/0 به دست آمد. با توجه به نتایج داده‌ها، تأثیر موجک در شناسایی سیگنال‌های فرعی و در نتیجه بهبود عملکرد مدل نسبت به شبکه‌های عصبی منفرد در پیش‌بینی میزان رسوبات قابل‌حمل در سیلاب به‌وضوح قابل‌توجه است.

کلیدواژه‌ها

رسوب‌ معلق؛ داده‌کاوی؛ یادگیری ماشین؛ شبکه عصبی مصنوعی؛ شبکه موجک

مراجع

اسدی، مریم؛ فتح‌زاده، علی؛ 1397. بررسی کارایی مدل‌های مبتنی بر هوش محاسباتی در برآورد بار معلق رودخانه‌ها (مطالعه موردی: استان گیلان). مرتع و آبخیزداری (منابع طبیعی ایران)،71 (1): 60-45. https://10.22059/JRWM.2018.222810.1083

افخمی، حمیده؛ دستورانی، محمدتقی؛ فتوحی، فرزانه؛ 1395. تأثیر توزیع‌های احتمالاتی در افزایش دقت پیش‌بینی رسوب معلق با استفاده از شبکه‌های عصبی مصنوعی و سیستم استنتاج فازی-عصبی (مطالعه موردی: حوزه آبخیز سد دز). مرتع و آبخیزداری (منابع طبیعی ایران), 69 (2), 323-338.

 https://10.22059/JRWM.2016.61686

آرمین، محسن؛ قربان­نیا، وجیهه؛ 1388. بررسی رابطه دبی آب و دبی رسوب با استفاده از آمار طولانی­مدت ایستگاه­های هیدرومتری (مطالعه موردی: رودخانه­های چالوس و هریجان در استان مازندران)، هشتمین سمینار بین­اللملی مهندسی رودخانه، دانشگاه شهید چمران، اهواز. https://civilica.com/doc/86206/

باباعلی، حمیدرضا؛ دهقانی، رضا؛ 1396. پیش‌بینی دبی سیلابی با استفاده از شبکه‌ی عصبی موجک. هیدروژئومورفولوژی، 11: 168-149. https://hyd.tabrizu.ac.ir/article_6719.html

باباعلی، حمیدرضا؛ دهقانی، رضا؛ 1398. بررسی عملکرد مدل شبکه عصبی موجک در تخمین دبی روزانه. مجله علوم و مهندسی ابیاری، 42 (3): 116-105. 10.22055/JISE.2017.22047.1580// https:

بهزادفر، مرتضی؛ صادقی، حمیدرضا؛ خانجانی، محمد جواد؛ حزباوی، زینب؛ 1391. تأثیرپذیری تولید روان آب و رسوب خاک­های تحت چرخه انجماد_ ذوب در شرایط شبیه­ساز باران.  نشریه حفاظت منابع آب و خاک.2 (1).13-23. https://wsrcj.srbiau.ac.ir/article_1974.html

پیروی، علی؛ حبیب­نژاد، محمد؛ احمدی، مرتضی؛ سلیمانی، کریم؛ مساعدی، ابوالفضل؛ 1384. بهینه­سازی رابطه دبی آب و رسوب در حوضه معرف امامه، پژوهشنامه علوم کشاورزی و منابع طبیعی خزر، 3 (3): 40-30. https://www.magiran.com/volume/32830

ترابی­پوده، حسن؛ گودرزی، احمد؛ دهقانی، رضا؛ 1398. کاربرد شبکه عصبی موجک در تخمین رسوبات معلق رودخانه­ها، مطالعه موردی: رودخانه کشکان-لرستان. نشریه مهندسی و مدیریت آبخیز. 11 (3): 660-650. https://doi.org/10.22092/ijwmse.2018.116846.1411

حیات­زاده، مهدی؛ اختصاصی، محمد رضا؛ ملکی­نژاد، حسین؛ فتح­زاده، علی؛ ۱۳۹۶. بهینه یابی برآورد میزان رسوب معلق در مناطق خشک مطالعه موردی: حوضه فخرآباد مهریز (یزد)، فصلنامه علوم آب و خاک 21 (1):13-1. https://10.18869/acadpub.jstnar.21.1.113

عطائی، یاسمن؛ نیک­پور، محمد رضا؛ کانونی، امین؛ حسینی، یاسر؛ ۱۳۹۸. برآورد بار معلق رودخانه با استفاده از مدل‌های GEP،ANN  و منحنی­سنجه (مطالعه موردی: ایستگاه مشیران، رودخانه دره­رود)، دومین کنفرانس بین­المللی و ششمین کنفرانس ملی کشاورزی ارگانیک و مرسوم، اردبیل، دانشگاه محقق اردبیلی، 10-1. https://repository.uma.ac.ir/id/eprint/9461/

فلامکی، امین؛ اسکندری، مهناز؛ بغلانی، عبدالحسین؛ احمدی، سید احمد؛ 1392. مدل‌سازی بار رسوب کل رودخانه­ها با استفاده از شبکه­های عصبی مصنوعی. نشریه حفاظت منابع آب و خاک، 2 (3): 25-13. https://journals.srbiau.ac.ir/article_1986.html

محمدی، صدیقه؛ 1398. شبیه­سازی بار رسوب معلق با استفاده از روش­های شبکه عصبی مصنوعی، عصبی-فازی و منحنی سنجه رسوب در حوزه آبخیز هلیل­رود. نشریه علمی-پژوهشی مهندسی و مدیریت آبخیز. 11 (2): 452-466. https://doi.org/10.22092/ijwmse.2017.108140.1219

مختاری، رامین؛ آخوندزاده هنزائی، مهدی؛  ا1398. ترکیب شبکه عصبی و تبدیل موجک به‌منظور پیش­بینی خشکسالی کشور ایران با استفاده از داده‌های ماهواره­ای مادیس و  .TRMMنشریه مهندسی فناوری اطلاعات مکانی، 7 (4): 191-175.  https://jgit.kntu.ac.ir/article-1-769-fa.html

نورانی، وحید؛ عندلیب، غلامرضا؛ 1396. بکارگیری مدل‌های ترکیبی موجک- شبکه عصبی مصنوعی و ماشین بردار پشتیبان در پیش­بینی بار رسوب معلق آجی چای. رویکردهای نوین در مهندسی عمران، 1 (2): 55-46. https://10.30469/JNACE.2018.63079

 

Abda, Z., Zerouali, B., Alqurashi, M., Chettih, M., Santos, C.A.G., Hussein, E.E., 2021. Suspended Sediment Load Simulation during Flood Events Using Intelligent Systems: A Case Study on Semiarid Regions of Mediterranean Basin. Water, 13, 3539. https://doi.org/10.3390/ w13243539.

Asadi, M., Fathzadeh, A., Kerry, R., 2021. Prediction of river suspended sediment load using machine learning models and geo-morphometric parameters. Arab J Geosci 14, 1926. https://doi.org/10.1007/s12517-021-07922-6.

Choi, S.U., and Lee, J., 2014. Prediction of Total Sediment Load in Sand-Bed Rivers in Korea Using Lateral Distribution Method. Journal of the American Water Resources Association, 51 (1): 214-225. https://doi.org/10.1111/jawr.12249.

Doroudi, S.,   Sharafati, A., Mohajeri, S.H., 2021. Estimation of Daily Suspended Sediment Load Using a Novel Hybrid Support Vector Regression Model Incorporated with Observer-Teacher-Learner-Based Optimization Method. Hindawi- Complexity. https://doi.org/10.1155/ 2021/5540284.

Hanoon, M.S., Abdullatif B, A.A., Ahmed, A.N., 2022. A comparison of various machine learning approaches performance for prediction suspended sediment load of river systems: a case study in Malaysia. Earth Sci Inform 15, 91–104. https://doi.org/10.1007/s12145-021-00689-0.

Hussein, A., Scholz, M., 2017. Dye wastewater treatment by vertical-flow constructed wetlands. Ecological Engineering, 101: 28-38. https://doi.org/10.1016/j.ecoleng.2017.01.016.

Khan, M.Y.A., Tian, F., Hasan, F. and Chakrapani, G.J., 2019. Artificial neural network simulation for prediction of suspended sediment concentration in the River Ramganga, Ganges Basin, India. International journal of sediment research, 34 (2), pp.95-107. https://doi.org/10.1016/j.ijsrc.2018.09.001.

Kaffas, K., Papaioannou, G., Varlas, G., Al Sayah, M.J., Papadopoulos, A., Dimitriou, E., Katsafados, P., and Righetti, M., 2022. Forecasting soil erosion and sediment yields during flash floods: The disastrous case of Mandra, Greece, 2017. Earth Surface Processes and Landforms. https://doi.org/10.1002/esp.5344.

Kisi, O., Karahan, M., and Sen, Z., 2006. River suspended sediment modeling using fuzzy logic approach. Hydrological Process. 20 (2) : 4351-4362. https://onlinelibrary.wiley.com/ doi/10.1002/hyp.6166.

Roushangar, K., Shahnazi, S., Azamathulla, H.M., 2023. Sediment Transport Modeling through Machine Learning Methods: Review of Current Challenges and Strategies. In: Pandey, M., Azamathulla, H., Pu, J.H. (eds) River Dynamics and Flood Hazards. Disaster Resilience and Green Growth. Springer, Singapore. https://doi.org/10.1007/978-981-19-7100-6_13.

Sahoo, G.K., Sahoo, A., Samantara, S., Satapathy, D.P., Satapathy, S.C., 2023. Application of Adaptive Neuro-Fuzzy Inference System and Salp Swarm Algorithm for Suspended Sediment Load Prediction. In: Bhateja, V., Sunitha, K.V.N., Chen, YW., Zhang, YD. (eds) Intelligent System Design. Lecture Notes in Networks and Systems, vol 494. Springer, Singapore. https://link.springer.com/chapter/10.1007/978-981-19-4863-3_32.

Satari, M.T., Rezazade Jodi, A., Safdari, F. & Ghahremanzadeh, F., 2015. Performance evaluation of M5 tree model and support vector regression methods in suspended sediment load modeling. Journal of Water and Soil Conservation, 6 (1) : 109-124 (in Persian). https://wsrcj.srbiau.ac.ir/article_9469.html?lang=en

Zhu, Y.M., Lu, X.X., & Zhou, Y., 2007. Suspended sediment flux modeling with artificial neural network: an example of the Longchuanjiang River in the Upper Yangtze Catchment, China. Geomorphology, 84 (3): 111-125. https://doi.org/10.1016/j.geomorph.2006.07.010.

Zounemat-Kermani, M., Kisi, O., Adamowski, J. and Ramezani-Charmahineh, A., 2016. Evaluation of data driven models for river suspended sediment concentration modeling. Journal of Hydrology, 535, pp. 457-472. https://doi.org/10.1016/j.jhydrol.2016.02.012.