پیش بینی مقادیر دبی روزانه رودخانه تالار با استفاده از مدل یادگیری کندرو

آب و خاک

مقاله 1، دوره 30، شماره 6 - شماره پیاپی 50، اسفند 1395، صفحه 1874-1887   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v30i6.47522

نویسندگان

زهرا عبداللهی¹؛ عطااله کاویان^{* 1}؛ کاکا شاهدی¹؛ ندا عبداللهی²؛ محمد جعفری³

¹دانشگاه کشاورزی و منابع طبیعی ساری

²دانشگاه صائب

³دانشگاه آزاد اسلامی واحد زنجان

چکیده

توسعه تکنیک های مختلف جهت پیش بینی کوتاه مدت و بلند مدت دبی ساعتی، روزانه، ماهانه و سالانه جریان به منظور مدیریت منابع آب و پروژه‌های عمرانی سابقه طولانی دارد. در دهه های اخیر، تکنیک های یادگیری متعددی به طور گسترده جهت پیش بینی دبی و سایر متغیرهای هیدرولوژیک مورد توجه قرار گرفته اند. پژوهش حاضر با هدف پیش بینی مقادیر دبی روزانه با استفاده از بهینه ترین تعداد داده های ورودی در رودخانه منتهی به رود تالار واقع در حوزه آبخیز کسیلیان انجام گرفت. بدین منظور از سه مدل ثابت (conll.c)، خطی ((linll.c و درجه دو ((quall.c الگوریتم یادگیری محلی کندرو که از کارایی قابل توجهی در شبیه سازی پارامترهای متغیر با داده های ورودی کم برخوردار هستند و هم چنبن با استفاده از سری داده های ورودی 6، 8، 10، 15، 20 روز قبل، یک و دو ماه قبل، یک، دو و سه فصل قبل و در نهایت یک و دو سال قبل استفاده گردید. نتایج به دست آمده از چندین هزار مدل تعلیمی تهیه شده نشان داد که مدل ثابت با داده های دبی روزانه ی 60 روز گذشته با حداقل خطای 001/0 به مقدار واقعی نزدیک تر بوده است. نتایج به دست آمده از مقادیر محاسبه شده RMSE و MAE حاکی از آن است که الگوریتم یادگیری محلی کندرو علی-رغم محدودیت های موجود از جمله حساسیت بسیار بالا به همسایگی، از کارایی بالایی در شبیه سازی سری های زمانی با خطای نسبتاً پایین (RMSE کمتر از 06/0) برخوردار می باشد.

کلیدواژه‌ها

حوزه آبخیز کسیلیان؛ دبی روزانه؛ مدل یادگیری محلی کندرو؛ نزدیک ترین همسایگی

مراجع

1- Bhagwat P., and Maity R. 2012. Multistep-ahead river flow prediction using LS-SVR at daily scale. Journal of Water Resource and Protection, 4:528-539.

2- Birattari M., and Bontempi G. 1999. Lazy learning VS. Speedy Gonzales: A fast algorithm for recursive identification and recursive validation of local constant models. Technical reports: Iridia. Universiteˋ Libre de Bruxelles. TR/IRIDIA/99-6.

3- Birattari M., Bontempi G., and Bersini H. 1998. Lazy learning for iterated time-series prediction. In: J.A.K. Suykens, J. Vandewalle (ed.). Proceedings of the International Workshop on Advanced Black-Box.Techniques for Nonlinear Modeling.

4- Bontempi G. 1999. Local learning techniques for modeling, prediction and control. Ph.D. thesis.Universite’ Libre de Bruxelles, Belgium.

5- Bontempi G., Birattari M., and Bersini H. 1999. Lazy learning for local modeling and control design. International Journal of Control, 72(7/8): 643-658.

6- Cannas B., Fanni A., See L., and Sias G. 2006. Data preprocessing for river flow forecasting using neural networks: Wavelet transforms and data partitioning.Physics and Chemistry of the Earth, 31(18):1164-1171.

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

8- Corani G. 2005. Air quality prediction in Milan: feed-forward neural networks, pruned neural networks and lazy learning. Ecological Modelling, 185:513–529.

9- Jafari M. 2011. Predicting the position of special-purpose nodes in mobile networks using Lazy Learning Model. MSc Thesis. Islamic Azad University. 107 Pages (In Persian with English abstract).

10- Jafari M., and Khanteymoori A.R. 2011. Lazy Learning in optimization problems using PRESS statistics. Proceedings of the the application of ai in industry. Bardsir.

11- Jafari M., Abdollahi N., and Mohammadi H. 2011. Predicating the location of nodes in AD Hoc network by lazy learning method. Innovative Computing Technology, Communications in Computer and Information Science, 241:336-345.

12- Karamuz M., and Araghinejad Sh. 2005. Advanced hydrology. AmirKabir University. Iran.

13- Kişi O. 2004. River flow modeling using artificial neural networks. ASCE Journal of Hydrologic Engineering, 9(1):60-63.

14- Kişi O. 2008. Stream flow forecasting using neuro-wavelet technique. Journal of Hydrological Process, 22:4142-4152.

15- Myer R.H. 1990. Classical and modern regression with applications. Boston. M.A: PWS-KENT.

16- Pulido-Calvo I., and Portela. M.M. 2007.Application of neural approaches to one-step daily flow forecasting in Portuguese water sheds, Journal of Hydrology, 332: 1 – 15.

17- Sivakumar B., Jayawardena A.W., and Fernando T.M.K.G. 2002. River flow forecasting: use of phase space reconstruction and artificial neural networks approaches. Journal of Hydrology, 265:225-245.

18- Suri A. 2014. Advanced econometrics. Farhangshenasi. Iran.

19- Turan M.E., and Yurdusev M.A. 2009. River flow estimation from upstream flow records by artificial intelligence methods. Journal of Hydrology, 369:71–77.

20- Valls J.M., Galvan I.M., and Isasi P. 2004. Lazy learning in radial basis neural networks: a way of achieving more accurate models. Neural Processing Letters, 20(2):105-124.

21- Wang W., and Ding J. 2003. Wavelet network model and its application to the prediction of hydrology. Nature and Science, 1:67-71.

22- Zealand C.M., Burn D.H., and Simonovic S.P. 1999. Short-term streamflow forecasting using artificial neural networks. Journal of Hydrology, 214:32–48.