یعقوب دین پیش بینی جریان رودخانه با روش جمعی احتمالاتی نزدیکترین همسایگی

آب و خاک

مقاله 8، دوره 29، شماره 4، پاییز 1394، صفحه 919-932  

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.36022

نویسندگان

هادی ثانی خانی ؛ یعقوب دین پژوه؛ محمد علی قربانی؛ مهدی ضرغامی

دانشگاه تبریز

چکیده

پیش بینی احتمالاتی متغیرهای هیدرولوژیکی در سال های اخیر از جمله جریان رودخانه مورد توجه محققین بوده است. پژوهش حاضر دو روش مختلف احتمالاتی را برایپیش بینی جریان رودخانه استفادهمی کند. سپس میزان عدم قطعیت ناشی از پیش بینی به صورت کمی معین می-شود.تخمین گرهای خطیدر یکی از روش ها و در دیگری الگوریتم نزدیکترین همسایگی استفاده شد. دبیروزانه به مدت دوازده سال در دو ایستگاه آبسنجیدیزج و ماشین به ترتیب واقع در خروجیحوضه های آبریز باراندوزچای در استان آذربایجان غربیو رود زرد در استان خوزستاناستفاده شد. شش سال اول داده ها جهت برازش، سه سال بعدی برای واسنجی و 3 سال پایانی جهت آزمون الگو ها استفاده شدند.ترکیبات مختلفی از داده های ثبت شده دبی روزانه به عنوان الگوی ورودی برای پیش بینی دبی روزانه استفاده شد. به کارگیری روش های مورد استفاده به صورت جمعی (به منظور انتخاب پارامترهای بهینه الگو)منجر به بهبود و افزایش دقت الگو در پیش بینی جریان رودخانه شد. از شاخص های آماری شامل ضریب همبستگی، ریشه میانگین مربعات خطا و ضریب کارایی ناش- ساتکلیف برای ارزیابی عملکرد الگوها استفاده شد.نتایج به دست آمده در این تحقیق کارایی و اعتبار روش های مورد استفاده را تائید نمود. همچنین نتایج به دست آمده نشان داد که روش جمعی مبتنی بر الگوریتم نزدیکترین همسایگی عملکرد بهتری در مقایسه با روش جمعی غیرخطی احتمالاتی دارد و از عدم قطعیت کمتری در پیش بینی برخوردار است. مقدار ضریب کارایی ناش- ساتکلیف در روش جمعی مبتنی بر نزدیکترین همسایگی در ایستگاه های دیزج و ماشین در دوره آزمون الگو به ترتیب برابر 91/0 و 93/0 به دست آمدند.

کلیدواژه‌ها

باراندوزچای؛ دیزج؛ رود زرد؛ ماشین؛ متغیرهای هیدرولوژیکی

مراجع

Azmi M., and Araghinejad S. 2012. Developed K-nearest neighbor method for river flow prediction. Journal of Water and Wastewater, 2: 108-119.

2- Alfieri L., Thielen J., and Pappenberger F. 2012. Ensemble hydro-meteorological simulation for flash flood early detection in southern Switzerland. Journal of Hydrology, 424: 143-153.

3- Casdagli M. 1992.Chaos and deterministic versus stochastic nonlinearmodeling.Journal of the Royal Statistical Society, Series B (Methodological), 54(2): 303-328.

4- Chatfield C. 2001. Prediction intervals, in Principles of Forecasting: AHandbook for Researchers and Practitioners, edited by J. Armstrong, Springer, New York.

5- Fan F. M., Collischonn W., Meller A., and Botelho L.C.M. 2014. Ensemble streamflow forecasting experiments in a tropical basin: The Sao Francisco river case study. Journal of Hydrology, In Press.

6- Hampel F.R. 1974.The influence curve and its role in robust estimation.Journal of the American Statistical Association, 346: 383-393.

7- Herr H.D., and Krzysztofowicz R. 2010. Bayesian ensemble forecast of river stages and ensemble size requirements. Journal of Hydrology, 387: 151–164.

8- Kantz H., and Schreiber T. 1997.Nonlinear Time Series Analysis.CambridgeUniv.Press, New York.

9- Kember G., Flower A.C., and HolubeshenJ. 1993. Forecasting river flow using nonlinear dynamics.Stochastic Hydrology and Hydraulics, 7: 205–212.

10- Krzysztofowicz R. 1999. Bayesian theory of probabilistic forecasting viadeterministichydrologic model, Water Resources Research, 35(9), 2739-2750.

11- Kuczera G., and Parent E. 1998. Monte Carlo assessment of parameteruncertainty in conceptual catchment models: The Metropolis algorithm, Journal of Hydrology, 211: 69-85.

12- Laio F., PorporatoA. Revelli R., and RidolfiL. 2003. A comparison ofnonlinear flood forecasting methods, Water Resources Research, 39(5).

13- Montanari A., and BrathA. 2004. A stochastic approach for assessing theuncertainty of rainfall-runoff simulations.Water Resources Research, 40(1).

14- Pande P., McKee M., and Bastidas L.A. 2009.Complexity-based robust hydrologic prediction.Water Resources Research, 45, W10406.

15- Phoon K. K., Islam M. N., Liaw C. Y., and Liong S.Y. 2002. Practicalinverse approach for forecasting nonlinear hydrological time series. Journal of HydrologicEngineering, 7(2): 116-128.

16- Porporato A., and Ridolfi L. 1997. Nonlinear analysis of river flow timesequences. Water Resources Research, 33(6): 1353– 1367.

17- Regonda S.K., Rajagopalan B., Lall M., Clark U., and Moon Y.I. 2005.Local polynomial method for ensemble forecast of time series. NonlinearProcesses Geophysics, 12(3):397-406.

18- Regonda S.K., Rajagopalan B., Clark M., and Zagona E. 2006. A multimodel ensemble forecast framework: Application to spring seasonal flows in the Gunnison River Basin. Water Resources Research, 42, W09404.

19- Silvillo J.K., Ahlquist J.E., and Toth Z. 1997. An ensemble forecasting primer. Weather and Forecasting, 12: 809-818.

20- Sivakumar B. 2000. Chaos theory in hydrology: Important issues andinterpretations. Journal of Hydrology, 227:1-20.

21- Sharma A., and Lall U. 1999. A nonparametric approach for daily rainfall simulation. Mathematics and Computers in Simulation, 48: 361-371.

22- Tamea S., Laio F., and Ridolfi L. 2005. Probabilistic nonlinear prediction of river flows. Water Resources Research, 41, W09421.

23- Todini E. 2004. Role and treatment of uncertainty in real-time floodforecasting. Hydrological Processes, 18(14): 2743-2746.

24- 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.