Investigating the Impact of Wavelet Network on the Efficiency of Artificial Neural Network in Predicting Flood Sediments

جغرافیا و مخاطرات محیطی

Article 8, Volume 12, Issue 4 - Serial Number 48, February 2024, Pages 161-186   

Document Type: Research Article

DOI: 10.22067/geoeh.2023.80745.1342

Authors

Halime Yar¹; Mehdi Hayatzadeh^{* 2}; Ali Fathzadeh³; Hamide Afkhami⁴

¹MA in Watershed Management, Ardakan University, Ardakan, Iran

²Assistant Professor in Watershed Management, Ardakan University, Ardakan, Iran

³Associate Professor in Watershed Management, Ardakan University, Ardakan, Iran

⁴PhD in Watershed Management, Tehran Regional Water Company, Ministry of Energy, Tehran, Iran

Abstract

Asignificant amount of the damages caused by floods is usually due to suspended sediments in the flood and dredging costs due to their subsidence in natural, residential and industrial areas. Therefore, sediment monitoring is very important when the water discharges. On the other hand, the non-linear nature of sediment data have made it difficult to predict this parameter. Wavelet theory is one of the pre-processing methods that can help we lead to a better resolution of the internal relationships of non-linear data by breaking down the main time series into sub-signals. I this research, the sediment data values in two stations of Abnama and Minab from Hormozgan River watershed were broken through wavelet conversion into sub-signals, and then the prediction process was carried out by the artificial neural network. Moreover, in order to investigate the impact of wavelet transform on the performance of the neural network model, the results obtained from this combined model were compared with the results obtained from the single neural network model, and their efficiency was evaluated using multi-part validation method, correlation, and root-mean-square error. The results showed that the artificial neural network in the two studied stations is able to simulate the sediment discharge with a correlation of 0.89 and 0.68 as well as the wavelet neural network with a correlation of 0.9 and 0.8. Moreover, the normalized root-mean-square error statistics were 0.104 and 0.35 in artificial neural networks and 0.124 and 0.18 in combined networks, respectively. The results showed that the impact of the wavelet on identifying sub-signals and thus improving the performance of the model compared to individual neural networks on predicting the amount of sediments in floods is clearly significant.

Keywords

Suspended Sediment; Data Mining; Machine Learning; Artificial Neural Network; Wavelet Network

References

اسدی، مریم؛ فتح‌زاده، علی؛ 1397. بررسی کارایی مدل‌های مبتنی بر هوش محاسباتی در برآورد بار معلق رودخانه‌ها (مطالعه موردی: استان گیلان). مرتع و آبخیزداری (منابع طبیعی ایران)،71 (1): 60-45. https://10.22059/JRWM.2018.222810.1083

افخمی، حمیده؛ دستورانی، محمدتقی؛ فتوحی، فرزانه؛ 1395. تأثیر توزیع‌های احتمالاتی در افزایش دقت پیش‌بینی رسوب معلق با استفاده از شبکه‌های عصبی مصنوعی و سیستم استنتاج فازی-عصبی (مطالعه موردی: حوزه آبخیز سد دز). مرتع و آبخیزداری (منابع طبیعی ایران), 69 (2), 323-338.

 https://10.22059/JRWM.2016.61686

آرمین، محسن؛ قربان­نیا، وجیهه؛ 1388. بررسی رابطه دبی آب و دبی رسوب با استفاده از آمار طولانی­مدت ایستگاه­های هیدرومتری (مطالعه موردی: رودخانه­های چالوس و هریجان در استان مازندران)، هشتمین سمینار بین­اللملی مهندسی رودخانه، دانشگاه شهید چمران، اهواز. https://civilica.com/doc/86206/

باباعلی، حمیدرضا؛ دهقانی، رضا؛ 1396. پیش‌بینی دبی سیلابی با استفاده از شبکه‌ی عصبی موجک. هیدروژئومورفولوژی، 11: 168-149. https://hyd.tabrizu.ac.ir/article_6719.html

باباعلی، حمیدرضا؛ دهقانی، رضا؛ 1398. بررسی عملکرد مدل شبکه عصبی موجک در تخمین دبی روزانه. مجله علوم و مهندسی ابیاری، 42 (3): 116-105. 10.22055/JISE.2017.22047.1580// https:

بهزادفر، مرتضی؛ صادقی، حمیدرضا؛ خانجانی، محمد جواد؛ حزباوی، زینب؛ 1391. تأثیرپذیری تولید روان آب و رسوب خاک­های تحت چرخه انجماد_ ذوب در شرایط شبیه­ساز باران.  نشریه حفاظت منابع آب و خاک.2 (1).13-23. https://wsrcj.srbiau.ac.ir/article_1974.html

پیروی، علی؛ حبیب­نژاد، محمد؛ احمدی، مرتضی؛ سلیمانی، کریم؛ مساعدی، ابوالفضل؛ 1384. بهینه­سازی رابطه دبی آب و رسوب در حوضه معرف امامه، پژوهشنامه علوم کشاورزی و منابع طبیعی خزر، 3 (3): 40-30. https://www.magiran.com/volume/32830

ترابی­پوده، حسن؛ گودرزی، احمد؛ دهقانی، رضا؛ 1398. کاربرد شبکه عصبی موجک در تخمین رسوبات معلق رودخانه­ها، مطالعه موردی: رودخانه کشکان-لرستان. نشریه مهندسی و مدیریت آبخیز. 11 (3): 660-650. https://doi.org/10.22092/ijwmse.2018.116846.1411

حیات­زاده، مهدی؛ اختصاصی، محمد رضا؛ ملکی­نژاد، حسین؛ فتح­زاده، علی؛ ۱۳۹۶. بهینه یابی برآورد میزان رسوب معلق در مناطق خشک مطالعه موردی: حوضه فخرآباد مهریز (یزد)، فصلنامه علوم آب و خاک 21 (1):13-1. https://10.18869/acadpub.jstnar.21.1.113

عطائی، یاسمن؛ نیک­پور، محمد رضا؛ کانونی، امین؛ حسینی، یاسر؛ ۱۳۹۸. برآورد بار معلق رودخانه با استفاده از مدل‌های GEP،ANN  و منحنی­سنجه (مطالعه موردی: ایستگاه مشیران، رودخانه دره­رود)، دومین کنفرانس بین­المللی و ششمین کنفرانس ملی کشاورزی ارگانیک و مرسوم، اردبیل، دانشگاه محقق اردبیلی، 10-1. https://repository.uma.ac.ir/id/eprint/9461/

فلامکی، امین؛ اسکندری، مهناز؛ بغلانی، عبدالحسین؛ احمدی، سید احمد؛ 1392. مدل‌سازی بار رسوب کل رودخانه­ها با استفاده از شبکه­های عصبی مصنوعی. نشریه حفاظت منابع آب و خاک، 2 (3): 25-13. https://journals.srbiau.ac.ir/article_1986.html

محمدی، صدیقه؛ 1398. شبیه­سازی بار رسوب معلق با استفاده از روش­های شبکه عصبی مصنوعی، عصبی-فازی و منحنی سنجه رسوب در حوزه آبخیز هلیل­رود. نشریه علمی-پژوهشی مهندسی و مدیریت آبخیز. 11 (2): 452-466. https://doi.org/10.22092/ijwmse.2017.108140.1219

مختاری، رامین؛ آخوندزاده هنزائی، مهدی؛  ا1398. ترکیب شبکه عصبی و تبدیل موجک به‌منظور پیش­بینی خشکسالی کشور ایران با استفاده از داده‌های ماهواره­ای مادیس و  .TRMMنشریه مهندسی فناوری اطلاعات مکانی، 7 (4): 191-175.  https://jgit.kntu.ac.ir/article-1-769-fa.html

نورانی، وحید؛ عندلیب، غلامرضا؛ 1396. بکارگیری مدل‌های ترکیبی موجک- شبکه عصبی مصنوعی و ماشین بردار پشتیبان در پیش­بینی بار رسوب معلق آجی چای. رویکردهای نوین در مهندسی عمران، 1 (2): 55-46. https://10.30469/JNACE.2018.63079

 

Abda, Z., Zerouali, B., Alqurashi, M., Chettih, M., Santos, C.A.G., Hussein, E.E., 2021. Suspended Sediment Load Simulation during Flood Events Using Intelligent Systems: A Case Study on Semiarid Regions of Mediterranean Basin. Water, 13, 3539. https://doi.org/10.3390/ w13243539.

Asadi, M., Fathzadeh, A., Kerry, R., 2021. Prediction of river suspended sediment load using machine learning models and geo-morphometric parameters. Arab J Geosci 14, 1926. https://doi.org/10.1007/s12517-021-07922-6.

Choi, S.U., and Lee, J., 2014. Prediction of Total Sediment Load in Sand-Bed Rivers in Korea Using Lateral Distribution Method. Journal of the American Water Resources Association, 51 (1): 214-225. https://doi.org/10.1111/jawr.12249.

Doroudi, S.,   Sharafati, A., Mohajeri, S.H., 2021. Estimation of Daily Suspended Sediment Load Using a Novel Hybrid Support Vector Regression Model Incorporated with Observer-Teacher-Learner-Based Optimization Method. Hindawi- Complexity. https://doi.org/10.1155/ 2021/5540284.

Hanoon, M.S., Abdullatif B, A.A., Ahmed, A.N., 2022. A comparison of various machine learning approaches performance for prediction suspended sediment load of river systems: a case study in Malaysia. Earth Sci Inform 15, 91–104. https://doi.org/10.1007/s12145-021-00689-0.

Hussein, A., Scholz, M., 2017. Dye wastewater treatment by vertical-flow constructed wetlands. Ecological Engineering, 101: 28-38. https://doi.org/10.1016/j.ecoleng.2017.01.016.

Khan, M.Y.A., Tian, F., Hasan, F. and Chakrapani, G.J., 2019. Artificial neural network simulation for prediction of suspended sediment concentration in the River Ramganga, Ganges Basin, India. International journal of sediment research, 34 (2), pp.95-107. https://doi.org/10.1016/j.ijsrc.2018.09.001.

Kaffas, K., Papaioannou, G., Varlas, G., Al Sayah, M.J., Papadopoulos, A., Dimitriou, E., Katsafados, P., and Righetti, M., 2022. Forecasting soil erosion and sediment yields during flash floods: The disastrous case of Mandra, Greece, 2017. Earth Surface Processes and Landforms. https://doi.org/10.1002/esp.5344.

Kisi, O., Karahan, M., and Sen, Z., 2006. River suspended sediment modeling using fuzzy logic approach. Hydrological Process. 20 (2) : 4351-4362. https://onlinelibrary.wiley.com/ doi/10.1002/hyp.6166.

Roushangar, K., Shahnazi, S., Azamathulla, H.M., 2023. Sediment Transport Modeling through Machine Learning Methods: Review of Current Challenges and Strategies. In: Pandey, M., Azamathulla, H., Pu, J.H. (eds) River Dynamics and Flood Hazards. Disaster Resilience and Green Growth. Springer, Singapore. https://doi.org/10.1007/978-981-19-7100-6_13.

Sahoo, G.K., Sahoo, A., Samantara, S., Satapathy, D.P., Satapathy, S.C., 2023. Application of Adaptive Neuro-Fuzzy Inference System and Salp Swarm Algorithm for Suspended Sediment Load Prediction. In: Bhateja, V., Sunitha, K.V.N., Chen, YW., Zhang, YD. (eds) Intelligent System Design. Lecture Notes in Networks and Systems, vol 494. Springer, Singapore. https://link.springer.com/chapter/10.1007/978-981-19-4863-3_32.

Satari, M.T., Rezazade Jodi, A., Safdari, F. & Ghahremanzadeh, F., 2015. Performance evaluation of M5 tree model and support vector regression methods in suspended sediment load modeling. Journal of Water and Soil Conservation, 6 (1) : 109-124 (in Persian). https://wsrcj.srbiau.ac.ir/article_9469.html?lang=en

Zhu, Y.M., Lu, X.X., & Zhou, Y., 2007. Suspended sediment flux modeling with artificial neural network: an example of the Longchuanjiang River in the Upper Yangtze Catchment, China. Geomorphology, 84 (3): 111-125. https://doi.org/10.1016/j.geomorph.2006.07.010.

Zounemat-Kermani, M., Kisi, O., Adamowski, J. and Ramezani-Charmahineh, A., 2016. Evaluation of data driven models for river suspended sediment concentration modeling. Journal of Hydrology, 535, pp. 457-472. https://doi.org/10.1016/j.jhydrol.2016.02.012.