بهبود عملکرد مدل‌های هوشمند بر پایه الگوریتم موجک و تبدیلات لگاریتمی در تخمین بار رسوب معلق

آب و خاک

مقاله 6، دوره 30، شماره 1 - شماره پیاپی 45، اردیبهشت 1395، صفحه 112-124   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v30i1.37635

نویسندگان

رضا حاجی آبادی¹؛ سعید فرزین^{* 2}؛ یوسف حسن زاده³

¹دانشگاه علم و صنعت ایران

²دانشگاه سمنان

³دانشگاه تبریز

چکیده

یکی از دلایل پیچیدگی تخمین و پیش‌بینی پدیده‌های هیدرولوژیکی و به خصوص سری‌های زمانی وجود ویژگی‌هایی نظیر روند، نویز و نوسانات با فرکانس بالا در آن ها می‌باشد که با استفاده از پیش‌پردازش داده‌ها به وسیله نویززدایی و تبدیلات لگاریتمی، می‌توان برخی عوامل پنهان و تاثیرگذار در این پیچیدگی را شناسایی و حذف نمود و یا درک این ویژگی‌ها را برای مدل‌های پیش‌بینی ساده‌تر نمود. در این تحقیق با استفاده ازدو مدل هوشمند برنامه‌ریزی بیان ژن و شبکه عصبی مصنوعی تخمین بار رسوب معلق مورد بررسی قرار می‌گیرد، سپس میزان تاثیر دو رویکرد نویززدایی و تبدیلات لگاریتمی به عنوان پیش‌پردازشگر، در بهبود نتایج مورد ارزیابی و مقایسه قرار می‌گیرد. به منظور نویززدایی از تبدیلات موجک استفاده شده است. نتایج تحقیق نشان می‌دهد پس از نویززدایی، معیار نش-ساتکلیف در شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن به ترتیب 15/0 و 14/0 افزایش داشته و مقدار جذر میانگین مجذورات خطانیز در شبکه عصبی مصنوعی از 24/199 به 17/141 میلی‌گرم بر لیتر و در برنامه‌ریزی بیان ژن از 84/234 به 89/193 میلی‌گرم بر لیتر کاهش یافته است. تاثیر رویکرد تبدیلات لگاریتمی نیز در بهبود نتایج شبکه عصبی مصنوعی تا حدود زیادی مشابه با رویکرد نویززدایی می‌باشد. در حالی‌که در برنامه‌ریزی بیان ژن تاثیر نا‌مطلوب داشته و پس از تبدیلات لگاریتمی Ln و Log، معیار نش-ساتکلیف از 57/0 به ترتیب به 31/0 و 21/0 کاهش یافته است و مقدار جذر میانگین مجذورات خطا نیز از 84/234 میلی‌گرم بر لیتر به ترتیب به 41/298 میلی‌گرم بر لیتر و 72/318 میلی‌گرم بر لیتر افزایش یافته است.

کلیدواژه‌ها

برنامه‌ریزی بیان ژن؛ پدیده های هیدرولوژیکی؛ شبکه عصبی مصنوعی؛ نویززدایی

مراجع

1- Alp M., and Cigizoglu, H.K. 2007. Suspended sediment load simulation by two artificial neural network methods using hydrometeorological data. Environmental Modelling & Software, 22: 2-13.

2- Aqil M., Kita I., Yano A., and Nishiyama, S. 2007. A comparative study of artificial neural networks and neuro-fuzzy in continuous modeling of the daily and hourly behaviour of runoff. Journal of Hydrology, 337: 22-34.

3- Aytek A., and Kisi, O. 2008. A genetic programming approach to suspended sediment modelling. Journal of Hydrology, 351: 288-298.

4- Danandehmehr A., Oliaie E., Ghorbani M.A. 2010. Suspended sediment load prediction based on river discharge and genetic programming method. Watershed Management Researches Journal (Pajouhesh & Sazandegi), 88: 44-54. (in Persian with English abstract)

5- Dastorani M.T., Azimi Fashi Kh., Talebi A., Ekhtesasi M.R. 2012. Estimation of suspended sediment using artificial neural network (case study: Jamishan Watershed in kermanshah). Journal of Watershed Management Research, 6: 66-74. (in Persian with English abstract)

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

7- Ferreira C. 2001. Gene expression programming a new adaptive algorithm for solving problems.Complex Systems, 13(2): 87–129.

8- Hassanzadeh Y., Lotfollahi-Yaghin M.A., Shahverdi S., Farzin S., Farzin N. 2013. De-noising and prediction of time series based on wavelet algorithm and chaos theory (case study: SPI drought monitoring index of Tabriz city). Iran-water resources Research, 3: 1-13. (in Persian with English abstract)

9- Kakaei Lafdani E., Moghaddam Nia A., and Ahmadi A. 2013. Daily suspended sediment load prediction using artificial neural networks and support vector machines. Journal of Hydrology, 478: 50 –62.

10- Kisi O. 2010. Daily suspended sediment estimation using neuro-wavelet models. International Journal of Earth Sciences, 99: 1471 –1482.

11- Kisi O., and Cimen M. 2011. A wavelet-support vector machine conjunction model for monthly streamflow forecasting. Journal of Hydrology, 399: 132 –140.

12- Kisi O., and Shiri J. 2011. Precipitation forecasting using wavelet-genetic programming and wavelet-neuro-fuzzy conjunction models. Water Resource management, 25: 3135 –3152.

13- Luk K.C., Ball J.E., and Sharma A. 2000. A study of optimal model lag and spatial inputs to artificial neural network for rainfall forecasting.Journal of Hydrology, 227:56-65.

14- Melesse A.M., Ahmad S., McClain M.E., Wang X., and Lim Y.H. 2011. Suspended sediment load prediction of river systems: An artificial neural network approach. Agricultural Water Management, 98: 855-866.

15- Nagy H.M., Watanabe K., and Hirano M. 2002. Prediction of Sediment Load Concentration in Rivers usingArtificial Neural Network Model. Journal of Hydraulic Engineering, 128: 588-595.

16- Nourani V., Yahyavi Rahimi A., and Hassan Nejad F. 2013. Conjunction of ANN and threshold based wavelet de-noising approach for forecasting suspended sediment load. International Journal of Management & Information Technology, 3(1): 9 –26.

17- Partal T., and Cigizoglu H.K. 2008. Estimation and forecasting of daily suspended sediment data using wavelet–neural networks. Journal of Hydrology, 358: 317 –331.

18- Rajaee T., Mirbagheri S.A., Zounemat-Kermani M., and Nourani V. 2009. Daily suspended sediment concentration simulation using ANN and neuro-fuzzy models. Science of the Total Environment, 407: 4916-4927.

19- Rajaee T., Nourani V., Zounemat-Kermani M., and Kisi O. 2011. River suspended sediment load prediction: Application of ANN and Wavelet conjunction model. Journal of Hydrologic Engineering, 16(8): 613-627.

20- Salajegheh A., Fathabadi A. 2008. Estimation of the suspended sediment loud of Karaj River using fuzzy logic and neural networks.Journal of Range and Watershed Management, 62: 271-282. (in Persian with English abstract)

21- Yu H.H., and Jenq N.H. 2002. Handbook of Neural Network Signal Processing. CRC Press.