مقایسه عملکرد مدل های هوش مصنوعی در تخمین پارامترهای کیفی آب رودخانه در دوره های کم آبی و پرآبی

آب و خاک

مقاله 6، دوره 30، شماره 6 - شماره پیاپی 50، زمستان 1395، صفحه 1733-1747  

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v30i6.22357

نویسندگان

مجید منتصری ؛ سروین زمان زاد قویدل

دانشگاه ارومیه

چکیده

وقوع متناوب دوره های کم آبی و پرآبی درحوضه آبریز زرینه رود علاوه بر تأثیر روی وضعیت کمی آب های سطحی، باعث تغییراتی در کیفیت آب این حوضه شده است. لذا، مدل بندی و پیش بینی پارامترهای کیفی آب رودخانه زرینه رود در دوره های کم آبی و پرآبی، یکی از ضرورت های تحقیقاتی در این رودخانه پرآب شمال غرب ایران بوده است. در این مطالعه، روش های شبکه های عصبی مصنوعی به ازای پنج الگوریتم آموزشی مختلف و سامانه استنتاجی عصبی-فازی تطبیقی مبتنی بر مدل دسته بندی تفریقی، جهت تخمین میزان جامدات محلول TDS به کار گرفته شدند. بدین منظور از داده های کیفیت آب هفت ایستگاه هیدرومتری در حوضه آبریز مذکور با طول دوره آماری 18 ساله (1389-1372) استفاده گردید. ابتدا دوره مطالعاتی مذکور بر اساس میزان جریان در رودخانه به دو دوره کم آبی و پرآبی تفکیک شده، سپس در یک آنالیز اولیه آماری، پارامترهای مؤثر اصلی در تخمین TDS تعیین و برای مدل بندی استفاده گردید. برای مدل بندی 75 درصد داده ها برای کالیبره کردن و 25 درصد برای ارزیابی مدل استفاده شده است. ارزیابی عملکرد مدل های به کار رفته بر اساس آزمون های آماری مختلف، ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا انجام گرفت. نتایج حاصل حاکی از عملکرد قابل قبول هر دو روش شبکه های عصبی مصنوعی با الگوریتم آموزشی لونبرگ-مارگارت و سامانه استنتاجی عصبی-فازی تطبیقی در دوره های کم آبی و پرآبی بود. مقایسه عملکرد روش های به کار گرفته شده، نشان داد که عملکرد روش عصبی-فازی تطبیقی در هر دو دوره مطالعاتی بهتر از شبکه های عصبی مصنوعی می‏باشد.

کلیدواژه‌ها

جامدات محلول؛ زرینه رود؛ سامانه استنتاجی عصبی-فازی تطبیقی؛ شبکه عصبی مصنوعی

مراجع

1- Ahmadi P. 2011. Optimizing utilization of Zarrineh River irrigation and drainage network using genetic algorithm. Master's Thesis, Urmia University.

2- Caudill M. 1987. Neural networks primer: Part I. AI Expert, 2(12): 46-52.

3- Chang F.J., and Chang Y.T. 2006. Adaptive neuron-fuzzy inference system for prediction of water level in reservoir. Advances in Water Resources, 29(1):1-10.

4- Chang F.J., and Chen Y.C. 2001. Counter propagation fuzzy-neural network modeling approach to real time streamflow prediction. Journal of Hydrology, 245:153-164.

5- Chiu S.L. 1995.Extracting fuzzy rules for pattern classification by cluster estimation. In: The 6th Internat. Fuzzy Systems Association World Congress, pp. 1–4.

6- Cobaner M. 2011.Evapotranspiration estimation by two different neuro-fuzzy inference systems. Journal of Hydrology, 398: 292–302.

7- Coulibaly P., Anctil F., Aravena R., and Bobee B. 2001. Artificial neural network modeling of water table depth fluctuations. Water Resources Research, 37(4): 885–896.

8- Dadfar S., Khaligi Sigarodi Sh., Shah Bandari R.V., and Kamrani F. 2010. The relationship between chemical water quality and river discharge parameters (Case Study: Taleghan). National Conference of clean water approach, Tehran.

9- Farbodnam N., Ghorbani M.A. and Alami M. 2009. River Flow Prediction Using Genetic Programming (Case Study: Lighvan River Watershed). Journal of Water and Soil, 19(1): 107-123.

10- Goyal M.K., and Ojha C.S.P. 2011. Estimation of scour downstream of a ski-jump bucket using support vector and M5 model tree. Water Resources Management,25 (9): 2177–2195.

11- Guven A. 2009.Linear genetic programming for time-series modeling of daily flow rate. Journal of Earth System Science, 118 (2): 137–146.

12- Guven A., and Talu N.E. 2010. Gene-expression programming for estimating suspended sediment in Middle Euphrates Basin. Turkey. CLEAN-Soil Air Water, 38(12): 1159–1168.

13- Güldal V., and Tongal H. 2010. Comparison of recurrent neural network, adaptive neuro-fuzzy inference system and stochastic models in Egirdir Lake level forecasting. Water Resources Management, 24(1): 105–128.

14- Hesami Rostami R., Afshar A., and Mosavi J. 2005. Flood forecasting model using neuro-fuzzy inference system and compare it with regression comparative examples with solutions: Karkhe River. The First Annual Conference of Water Resources Management of Iran, Tehran.

15- Hrdinka T., Novicky O., Hanslık E., and Riede M. 2012. Possible impacts of floods and droughts on water quality. Journal of Hydro-environment Research, 145-150.

16- Jain SK., Das A., and Srivastava D.K. 1999. Application of ANN for reservoir inflow prediction andoperation, Journal of Water Resources Planning and Management ASCE, 125(5): 263-271.

17- Jang J.S.R.1993 ANFIS: Adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man and Cybernetics, 23 (3): 665–685.

18- Karimi S., Kisi O., Shiri J., and Makarynskyy O. 2013. Neuro-fuzzy and neural network techniques for forecasting sea level in Darwin Harbor, Australia. Computers & Geosciences, 52: 50-59.

19- Kisi O. 2006. Daily pan evaporation modeling using a neuro-fuzzy computing technique. Journal of Hydrology, 329: 636– 646.

20- Kisi O. 2007. Evapotranspiration modeling from climate data using a neural computing technique. Hydrological Processes, 21(6): 1925–1934.

21- Kisi O., Nia A.M., Gosheh M.G., Tajabadi M.R.J., and Ahmadi A. 2012. Intermittent streamflow forecasting by using several data driven techniques. Water Resources Management, 26(2): 457–474.

22- Kisi O., Shiri J., and Tombul M. 2013. Modeling rainfall-runoff process using soft computing techniques. Computers & Geosciences, 51: 108–117.

23- Kumar M., Raghuwanshi N.S., Singh R., Wallender W.W., and Pruitt W.O. 2002. Estimating evapotranspiration using artificial neural networks. Journal of Irrigation and Drainage Engineering ASCE, 128(4): 224–233.

24- Lashnizand M., Pavaneh B., and Bazgir M. 2010. The effects of wet and dry periods on the quality of surface water of Kashkan basin. Journal of Physical Geography, 3(8):111-125.

25- Legates D.R., and Mc Cabe G.J. 1999. Evaluating the use of goodness-of-fit measures in hydrologic and hydroclimatic model validation. Water Resources Research, 35(1): 233-241.

26- Misaghy F., and Mohammadi K. 2004. Prediction of Zayandehrood river water quality using Artificial Neural Networks. 2th National Conference of soil and water resources, Shiraz University.

27- Najah A., Elshafie A., Karim O., and Jaffar O. 2009. Prediction of Johor river water quality parameters using artificial neural networks. European Journal of Scientific Research, 28: 422-35.

28- Park J.H., Duan L., Kim B.J., Mitchell M., and Shibata H. 2010. Potential effects of climate change and variability on watershed biogeochemical processes and water quality in Northeast Asia. Environment International, 212-225.

29- Pour-Ali Baba A., Shiri J., Kisi O., Fakheri Fard A., Kim S., and Amini A. 2013. Estimating daily reference evapotranspiration using available and estimated climatic data by adaptiveneuro-fuzzy inference system (ANFIS) and artificial neural network (ANN). Hydrology Research, 44.1: 131-146.

30- Saadati N., Hoseynizare N., and Gandomkar P. 2006. Study on quality of Maron-Jarahi river water using water quality indexes (drinking, Agriculture and WQI). 7th International Seminar on River Engineering, Shadid Chamran Ahvaz University.

31- Sanikhani H., and Kisi O. 2012. River Flow Estimation and Forecasting by Using Two Different Adaptive Neuro-Fuzzy Approaches. Water Resources Management, 26: 1715–1729.

32- Sani Khani H., Nikpoor M., and Dinpazhouh Y. 2011. Compareing the performance of Grid partitioning and Subtractive clustering methods in estimateing the pan evaporation. The first National Conference on Agricultural Meteorology and Water Management. College of Agriculture and Natural Resources, Tehran University.

33- Sengorur B., Dogan E., Koklu R., and Samandar A. 2006. Dissolved oxygen estimation using artificial neural network for water quality control. Fresenius Environmental Bulletin, 15: 1064–1067.

34- Sighn K.P., Basant A., Malik A., and Jain G. 2009. Artificial neural network modeling of the river water quality-A case study. Ecological Modelling, 220: 888–895.

35- Wu H.J., Lin Z.Y., and Guo S.L. 2000. The application of artificial neural networks in the resources and environment. Resources and Environment in the Yangtze Basin, 9: 237–241 (inChinese).

36- Xiang S.L., Liu Z.M., and Ma L.P. 2006. Study of multivariate linear regression analysis model for ground water quality prediction. Guizhou Science, 24: 60–62.