مقایسه الگوسازی بارندگی ماهانه با مدل‌های SVM و ANFIS (مطالعه موردی: شهرگنبدکاووس)

آب و خاک

مقاله 11، دوره 30، شماره 1 - شماره پیاپی 45، اردیبهشت 1395، صفحه 236-246   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v30i1.37346

نویسندگان

نسرین ضابط پیشخانی¹؛ سید مرتضی سیدیان^{* 1}؛ علی حشمت پور²؛ حامد روحانی¹

¹دانشگاه گنبدکاووس

²دانشگاه گنبد کاووس

چکیده

بارش یکی از مهم‌ترین عوامل مورد استفاده در مطالعات منابع طبیعی، آب، هواشناسی و غیره است. تشخیص پیش‌بینی‌پذیری و شناخت عوامل تأثیرگذار بر فرآیند بارش با توجه به نوسان ها و بی نظمی های موجود در سری زمانی بارش اهمیت دارد. این تحقیق با روش‌های سامانه استنتاج
فازی- عصبی تطبیقی (ANFIS) و ماشین‌ بردار پشتیبان(SVM) بارش ماهانه شهر گنبدکاووس‌ را الگوسازی کرده است. داده‌های مورد استفاده مربوط به سال‌های 2012- 1995 است. 2 سری ورودی (ماهانه) شامل: 1- میانگین دما و رطوبت، سرعت باد و فشار 2- مقادیر متوسط بارش ماهانه ایستگاه‌های آبسنجی استان گلستان در نظر گرفته شد. نتایج نشان داد اگرچه دقت SVM بیشتر از ANFIS است، اما پیش بینی بارندگی با پارامترهای هواشناسی توسط هر دو مدل دارای دقت کمی است. نتایج پیش بینی بارش با بارندگی ایستگاه های منطقه برای هر دو روش قابل قبول است. ضریب تعیین و خطای RMSE در مرحله آزمون در روش SVM به‌ترتیب برابر 91/0 و 59/5 و در روش ANFIS برابر 87/0 و 06/7 است. تحلیل حساسیت نشان داد که رطوبت نسبی مهم‌ترین متغیرهواشناسی در پیش بینی بارندگی است. سه متغیردیگر تأثیر یکسانی بر نتایج دارند. همچنین موثرترین ایستگاه در پیش بینی بارندگی تعیین شد. این پژوهش نشان داد که SVM عملکرد بهتری نسبت به ANFIS در پیش بینی بارندگی داشته است.

کلیدواژه‌ها

ایستگاه های بارندگی؛ پارامترهای هواشناسی؛ تحلیل حساسیت؛ هوش مصنوعی

مراجع

Chen S.T., Yu P.Sh., and Tang H.Y. 2010. Statistical downscaling of daily Precipition using support vector machines and multivariate analysis. Journal of Hydrology, 385:13-23.

2- Dehghani A., Asghari M., and Mosaedi A. 2009. Comparison of three methods of artificial neural networks, adaptive neural fuzzy inference system and the number of interpolation groundwater level. Journal of Agricultural Sciences and Natural Resources, 16:517-529. (in Persian with English abstract)

3- Dibike Y.B., Velickov S., Solomatine D., and Abbott M.B. 2001. Model induction with support vector machines: introduction and applications. Journal of Computing in Civil Engineering, 15:208-216.

4- Eilderomi A., ZareAbyaneh H., and Bayat M. 2012. Rainfall estimation using artificial neural network with meteorological data in three areas Ghyrbarshy Shiraz, Mashhad and Kerman. Journal of Geography and Planning, 43:21-40. (in Persian with English abstract)

5- Faghih H. 2010. Evaluating and optimizing the use of artificial neural network with genetic algorithm estimates the monthly precipitation data (Case study: The Kurdistan Region). Science and Technology of Agriculture and Natural Resources, Water and Soil Sciences, 14:27-42. (in Persian with English abstract)

6- FallahGhaheri Gh., HabibiNokhandan M., and Khoshhal J. 2010. Khorasan spring rainfall prediction based fuzzy inference system using remote link synoptic patterns of neural adaptation (ANFIS). Journal of Range and Watershed Management, Journal of Natural Resources, 1:55-74. (in Persian with English abstract)

7- FallahGhaheri Gh., MousaviBayki M., and HabibiNokhandan M. 2008. Khorasan spring rainfall prediction based fuzzy inference system using remote link synoptic patterns of neural adaptation (ANFIS). Physical Geography Research, 66:121-129.(in Persian)

8- FathAbadi A., Salajeghe A., and Mahdavi M. 2008. River flow forecasting using Neuro Fuzzy and time series models. Iran Watershed Science and Engineering, 2:21-30. (in Persian with English abstract)

9- FeyziV., and Farajzadeh M. 2010. Study climate change in the province Kendall method. Proceedings of the Fourth International Congress of the Humanities, Zahedan, p. 2-12.(in Persian)

10- Geng S., Penning-de-vries F.W.T., and Supit I. 1986. A simple method for generating daily rainfall data.Agricultural and Forest Meteorology, 36:363-376.

11- Hoogenboom G. 2000. Contribution of agrometeorology to the simulation of crop production and its applications.Agricultural and Forest Meteorology, 103:137-157.

12- JacquinA.p., and Shamseldin A.Y. 2006.Development of rainfall- runoff models using takagi- sugeno fuzzy Inference System. Journal of Hydrology, 329:154-173.

13- Jang J.S.R. 1993. ANFIS: adaptive- network- based fuzzy inference systems. IEEE Transactions on Systems. Man and Cybernetics, 23:665–685.

14- Matreata M. 2006. Artificial neural network and fuzzy logic models in operational hydrological forecasting system, Geophysical Research Abstracts, 8:43-51.

15- Nabizadeh M., Mosaedi A., and Dehghani A. 2012. Estimate adaptive neural fuzzy inference system using smart daily rate. Journal of irrigation and water management, 1:69-80. (in Persian with English abstract)

16- Nouri R., Khakpour A., Dehghani A., and Farokhnia A. 2010. Monthly forecast streamflow using support vector machine based on principal component analysis. Water and Wastewater, 1:118-123. (in Persian with English abstract)

17- Sentelhas P.C., de Faria R.T., Chaves M.O., and Hoogenboom G. 2001. Evaluation of the WGEN and SIMMETEO weather generators for the Brazilian tropics and subtropics, using crop simulation models.RevistaBrasileira de Agrometeorologia, Santa Maria, 9:357-376.

18- SeyedNejadGolkhatmi N., SanayiNejad S., Ghahreman B., and RezaeiPajand H. 2014. Engineering equations, fuzzy theory and genetic algorithms optimization of daily rainfall in the catchment area of Mashhad plain. Journal of Soil and Water (Agricultural Science and Technology), 28:1-9. (in Persian with English abstract)

19- TokarA.S., and Santon P.A. 1999. Rainfall- Runoff modeling using artificial neural networks. Journal of Hydrologic Engineering, 3:232-233.

20- Tripathi Sh., Srinivas V.V., and Nanjundiah R.S. 2006. Downscaling of precipitation for climate change scenarios: A support vector machine approach.Journal of Hydrology, 330:62- 640.

21- Vapnik V.N. 1998. Statistical learning theory. 1st Ed., Wiley, New York.

22- Yu X., and Liong S.Y. 2006.Forecasting of hydrologic time series with ridge regression in feature space. Journal of Hydrology, 332:290-302.

23- Zadeh L.A. 1965.Quantative fuzzy sets. Information and Control. 8:338-353.