مقایسۀ عملکرد مدل درختی M5 با مدل‌های شبکۀ عصبی مصنوعی و ماشین بردار پشتیبان در استخراج منحنی تداوم جریان مطالعۀ موردی: ایستگاه خزانگاه رودخانۀ ارس

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران

2 دانشجوی کارشناسی ارشد منابع آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

چکیده

یکیاز مهم­ترینو پرکاربردترینعلائمپاسخهیدرولوژیکحوزه، منحنیتداومجریان استو درکاربرد‌هایهیدرولوژیکیبی‌شماری برای آنالیز فراوانیجریان­هایکمینهو سیلابمورد استفادهقرار می­گیرد. برای نمایش محدودۀ کامل دبی رودخانه، از جریان‌های حداقل تا حداکثر سیلاب و منحنی تداوم جریان  (FDC)استفاده می‌شود؛ بنابراین استخراج دقیق این منحنی‌ها با حداقل خطا حائز اهمیت فراوانی است. در این مطالعه کارایی مدل درختی M5 در استخراج منحنی تداوم جریان در مقایسه با شبکۀ عصبی مصنوعی و ماشین بردار پشتیبان برای ایستگاه خزانگاه رودخانۀ ارس واقع در استان آذربایجان شرقی بررسی شد.با توجه به نتایج به دست آمده در مدل درختی M5، ترکیب 80% داده­ها برای آموزش و مابقی برای تست مدل، بهترین عملکرد را در ارائۀ منحنی تداوم جریان با 992/0R2=، (m3/s)47/5RMSE= و (m3/s) 38/4MAE= نشان داد. با بررسی نتایج مدل‌های مختلف شبکۀ عصبی، بهترین مدل با 2 نرون برای لایه مخفی با مقادیر 997/0R2=، (m3/s) 91/3RMSE= و (m3/s) 30/3MAE= به‌دست آمد.بررسی عملکرد کرنل RBF مدل ماشین بردار پشتیبان نشان داد که این مدل بهترین عملکرد را در شبیه‌سازی منحنی تداوم جریان داشت؛ به‌طوری‌که دارای حداقل مقدار مجذور میانگین مربع‌های خطا ((m3/s) 98/2RMSE=)، بالاترین ضریب همبستگی (998/0R2=) و کمترین مقدار خطای نسبی ((m3/s) 66/2MAE=) بود. مقایسۀ نتایج بین انواع مدل‌های هوشمند مورد بررسی، بیانگر این است که هر سه مدل در تخمین مقادیر دبی منحنی تداوم جریان عملکرد مناسبی دارند؛ اما مدل درختی M5 به علت سادگی محاسبات و ارائۀ روابط شده، به لحاظ کاربردی قابلیت بیشتری می­تواند در استخراج منحنی تداوم داشته باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison the Performance of M5 Tree Model with the Artificial Neural Network and Support Vector Machine Models in Derivation of Flow Duration Curve, Case Study: Khazangah Station of Aras River

نویسندگان [English]

  • Ghorban Mahtabi 1
  • Fatemeh Bayat 2
چکیده [English]

Flow duration curve is one of the most important and applicable signals of hydrologic response of a basin. This curve was used for analyzing the frequency of low and flood flows of a river in many hydrologic uses. Also, the flow duration curve (FDC) was used to display the complete domain of river discharge from minimum up to maximum flood. Therefore, accurate derivation of this curves with the least error is necessary. In this study, applicability of M5 Tree Model in derivation of flow duration curve in Khazangah station located on Aras River, East Azerbaijan province was investigated and compared with the results of Artificial Neural Network (ANN)  and Support Vector Machine (SVM) models. The results of M5Tree Model showed competition of 80 percent of data for training and the remaining for the testing has the best performance in presenting  the flow duration curve with values of R2=0.992, RMSE=5.47 m3/s and MAE=4.38 m3/s. The results of different structures of Neural Network showed the best model (2 neurons for hidden layer) was obtained with values of R2=0.997, RMSE=3.91 m3/s and MAE=3.30 m3/s. Also the performance of RBF kernel of Support Vector Machine Showed this model has the best ability in simulation of flow duration curve, so that this model has lowest error values of RMSE=2.98 m3/s, MAE=2.66 m3/s and highest value of R2=0.998.
Comparison the results between the intelligence models showed that each three models have proper performance in determining the discharge values of flow duration curve. From the practical view, M5Tree Model has more applicability in derivation of flow duration curve because of the simplicity of the proposed equations and calculations.

کلیدواژه‌ها [English]

  • Duration
  • Discharge flow
  • Aras River
  • Error Value
  • Intelligent models

اسلامی، علیرضا؛ علیرضا شکوهی (1392). تحلیل وضعیت ‌جریان‌رودخانه با استفاده از شاخص ‌خشکسالی ‌‌هیدرولوژیکی‌ زیست‌محیطی،نشریۀ مهندسی و مدیریت آبخیز. شماره 5 (2). صفحات 133- 125.

اسلامیان، سیدسعید؛ محسن قاسمی؛ سمیه سلطانی گردفرامرزی(1391). محاسبه و ناحیه‌بندی ‌شاخص‌های جریان‌کم و تعیین دوره­های خشکسالی هیدرولوژیک (مطالعه موردی: حوضۀ آبخیز کرخه)، مجله علوم و فنون کشاورزی و منابع طبیعی. شماره 16(59). صفحات 14-1.

امامی‌فر، سعید؛ علی رحیمی‌خوب (1390). ارزیابی مدل درختی  M5 و مدل تجربی آنگستروم در برآورد تابش رسیده به سطح زمین، نخستین کنفرانس ملّی هواشناسی و مدیریت آب کشاورزی. تهران. 1 و 2 آذر. صفحات 10-1.

ستاری، محمدتقی؛فرناز نهرین؛ وحید عظیمی ‌(1392). پیش‌بینی تبخیر- تعرق مرجع روزانه با استفاده از مدل ‌شبکۀ عصبی مصنوعی و مدل درختی (مطالعه موردی: ایستگاه بناب)، نشریۀ آبیاری و زهکشی ایران. شماره 7 (1). صفحات 113-104.

ستاری، محمدتقی؛ علی رضازاده جودی؛ فرناز نهرین (1393). پیش‌بینی مقادیر بارش ماهانه با استفاده از شبکه‌های عصبی مصنوعی و مدل درختی M5 (مطالعۀ موردی: ایستگاه اهر)، مجله پژوهش‌های جغرافیای طبیعی. شماره 46(2). صفحات260-247.

سپهوند، علیرضا؛ نجمیه عزارخوانی؛ مجید طائی سمیرمی؛ شمس‌اله عسگری (1391). مقایسه روابط تجربی رواناب-رسوب حاصل از منحنی­های سنجۀ رسوب‌ و شبکۀ عصبی مصنوعی (مطالعۀ موردی: حوزۀ آبخیز گدارخوش، استان ایلام)، فصلنامه پژوهش­های فرسایش طبیعی. شمارۀ 7. صفحات 43-29.

شماعی‌زاده، مریم؛ سعید سلطانی (1393). تحلیل فراوانی منطقه‌ای کم در حوضۀ آبخیز کارون شمالی، مجله علوم و فنون کشاورزی و منابع طبیعی علوم آب و خاک. شماره 18(70). صفحات 242-231.

شهنواز، یاسر؛ سید فرهاد موسوی؛ آرش ملکیان؛ جعفر دستورانی؛ مسعود سمیعی (1394). تحلیل منطقه‌ای منحنی تداوم جریان برای زیرحوضه‌های فاقد آمار (مطالعه موردی: حوضۀ آبخیز دریاچۀ نمک)، مجله پژوهش آب ایران. شماره 9(3). صفحات 35-27.

شیخعلی­پور، زینب؛ فرزاد حسن­پور؛ وحید عظیمی ‌(1394). مقایسه روش‌های هوش مصنوعی در برآورد بار معلق رسوب (مطالعه موردی: رودخانه سیستان)، مجله پژوهش­های حفاظت آب و خاک. شماره 22(2). صفحات 60-41.

صیادی، حبیب؛ ابوالفتح اولادغفاری؛ احد فعالیان؛ سید علی اشرف‌الدین صدرالدینی (1388). مقایسه عملکرد شبکه‌های عصبی RBF و MLP  در برآورد تبخیر و تعرق گیاه مرجع، مجله دانش آب و خاک. شماره 19(1). صفحات 12-1.

ظهیری، عبدالرضا؛ خلیل قربانی (1392). شبیه‌سازی دبی جریان در مقاطع مرکب به کمک مدل درخت تصمیم M5، مجله پژوهش­های حفاظت آب و خاک. شماره 20(3). صفحات 132-113.

عصاری، مصطفی؛ مهدی کوچک­زاده؛ مهدی شهابی­فر؛ کامیار بیات (1388). تخمین تبخیر- تعرق گیاه مرجع درون گل‌خانه با استفاده از شبکه‌های عصبی مصنوعی، مجله پژوهش‌های حفاظت آب و خاک. شماره 16(1). صفحات 121- 107.

کاظمی،رحیم؛باقر قرمزچشمه(1395).بررسی روش‌های مختلف استخراج جریان پایه با استفاده از شاخص منحنی تداوم جریان (مطالعه موردی: ناحیه خزری)، نشریه پژوهش های حفاظت آب و خاک. شماره 23(2). صفحات 145-131.

کاکایی لفدانی، الهام؛ علیرضا مقدم نیا؛ آزاده احمدی؛ حیدر ابراهیمی‌(1392). ارزیابی تأثیر پیش پردازش متغیّرهای ورودی به مدل ماشین بردار پشتیبان به روش آزمون‌گاما به‌منظور پیشبینی حجم رسوب معلق، مجله‌منابع‌طبیعی‌ایران.شماره‌67(2).صفحات303-289.

کریمی، مهشید؛ کاکا شاهدی؛ مطلب بایزیدی (1394). تحلیل خشکسالی هیدرولوژیکی با روش حد آستانه ثابت (مطالعه‌ موردی: حوزۀ آبخیز کرخه)، پژوهشنامه مدیریت حوزۀ آبخیز. شماره 11. صفحات 72-59.

کوچک‌زاده، مهدی؛ عارف بهمنی (1384). ارزﯾﺎﺑﯽ ﻋﻤﻠﮑﺮد ﺷﺒﮑﻪ‌ﻫﺎی ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ در ﮐﺎﻫﺶ ‌ﭘﺎراﻣﺘﺮﻫﺎی ﻣﻮرد ﻧﯿﺎز ﺟﻬﺖ ﺑﺮآورد ﺗﺒﺨﯿﺮ و ﺗﻌﺮق ﻣﺮﺟﻊ، مجله علوم کشاورزی. شماره 11(4). صفحات 97-78.

زارع‌زاده‌مهریزی، محبوبه؛ امید بزرگ‌حداد (1389). شبیه‌سازی و پیش‌بینی آبدهی با استفاده از الگوریتم ترکیبیANN-GA،آب وخاک‌(علوم و صنایع کشاورزی). شماره 24 (5). صفحات 954-942.

زارع‌چاکوکی، اصغر؛ علی سلاجقه؛ محمد مهدوی؛ شهرام خایقی؛ سعید اسدی (1392). مدل منطقه‌ای منحنی‌تداوم جریان حوزه‌های آبخیز بدون آمار مناطق خشک (مطالعه موردی: ایران مرکزی)، نشریه مرتع و آبخیزداری. شماره 66(2). صفحات 265-251.

مهدوی، محمد (1392). هیدرولوژی کاربردی، انتشارات دانشگاه تهران، جلد دوم، تهران.

یوسفی ‌مبرهن، ابراهیم؛ فرحمند کامبخش؛ نفیسه‌ فهیم؛ عماد فهیم (1395). کارایی روش منحنی تداوم جریان در صحت‌سنجی مدل هیدورلوژیکی (مطالعه موردی: حوزۀ آبخیز زولاچای)،نشریه دانش آب و خاک.شماره 26(1/2). صفحات 113-101.

Alcazar, J., Palau, A (2010). Mediterranean watershed based on a regional classification. Journal of Hydrology, Vol 388, PP: 41-51.

Bayazidi, M., Saghafian, B., Sedghi, H., Kaveh. F (2010). Analysis of hydrological drought in Karoon river basin by daily discharge data. Watershed Management Researches Journal, Vol 86, PP: 52-63.

Behzad, M., Asghari, K., Coppola, E (2010). Comparative study of SVMs and ANNs in aquifer water level prediction. Journal of Computing in Civil Engineering, Vol 24(408), PP: 1943-5487.

Bhattacharya, B., Solomatine, D.P (2005). Neural networks and M5 model trees in modeling water level-discharge relationship Neurocomputing. European Symposium on Artificial Neural Networks,Vol 63, PP:381-396.

Booker,D.J.,Dunbar, M. J (2004). Application of physical habitat simulation (PHABSIM) modeling to modified urban river channels. River Research Application,Vol20,PP:167-183.

Bray, M., Han, D (2004). Identification of support vector machines for runoff modeling. Journal of Hydroinformatics,Vol 6(4),PP:265-280.

Burges, Ch.J.C (1998). A Tutorial on SVM for Pattern Recognition. Data Mining and Knowledge Discovery, Vol 2,  PP: 121-167.

Çimen,M (2008). Estimation of daily suspended sediment using support vector machines. Hydrological Sciences Journal, Vol 53(3), 
PP: 656-666.

Ditthakit,P.,Chinnarasri,C.H(2012). Estimation of pan coefficient using M5 model tree. American journal of environmental sciences, Vol 8(2), PP: 95-103.

Gunn S.R (1998). SVM for Classification and Regression”. Faculty of Engineering, School of Science&Mathematics, Springer.PP:1305-1314.

Hakurta, P. G (2008). Long lead monsoon rainfall prediction for meteorological sub-divisions of India using deterministic artificial neural network model. Meteorology and Atmospheric Physic, Vol 101, PP: 93-108.

Kisi, O (2012). Least squares support vector machine for modeling daily reference evapotranspiration. Journal of Irrigation Science, Vol 31(4),PP: 611-619.

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

Lin, G.F., Chen, G.R, Huang, P.Y., Chou, Y.C (2009). Support vector machine-based models for hourly reservoir inflow forecasting during typhoon-warning periods. Journal of Hydrology, Vol 372, PP: 17-29.

Moghaddamnia, A., Ghafari Gousheh, M., Piri J., Amin S., Han, D (2009). Evaporation estimation using artificial neural networks and adaptive neurofuzzy inference system techniques. Advances in Water Resources, Vol 32, PP: 88-97.

Nouri, R., Karbassi, A.R., Moghaddamnia, A., Han, D., Zokaei-Ashtiani, M.H. Farokhnia, A. Ghafari Gousheh, M (2011). Assessment of input variables determination on the SVM model performance using PCA, Gamma test, and forward selection techniques for monthly stream flow prediction. Journal of Hydrology, Vol 401, PP: 177-189.

Pal, M., Deswal, S (2009). M5 model tree based modeling of reference evapotranspiration. Hydrological Process, (23): 1437-1443.

Patel, J.A (2007). Evaluation of low flow estimation techniques for ungagged catchments. Water & Environment Journal,Vol 21,PP:41-46.

Pitman, W.V (1993).Simulation of runoff river schemes using monthly data. In Proceedings of the Sixth South African Hydrology Symposium, Pietermarietzburg, South Africa, PP: 445–452.

Quinlan.J. R (1992). Learning with continuous classes. In proceedings AI, 92 (Adams& Sterling, Eds), Singapore: World Scientific, PP: 343-348.

Onyari, E.K., Ilunga F. M (2013). Application of MLP Neural Network and M5P Model Tree in Predicting Streamflow: A Case Study of Luvuvhu Catchment, South Africa. International Journal of Innovation, Management & Technology, Vo l4 (1), PP:11-15.

Sattari, M.T., Yurekli, K., Unlukara, A (2011). Drought Prediction by Using Artificial Neural Networks Approach in Karaman Province. Research Journal of Agriculture Sciences, Vol 4(1), PP: 7-13.

Sattari, M.T., Pal, M. Apaydin, H. Ozturk, F (2013). M5 Model Tree Application in Daily River Flow Forecasting in Sohu Stream, Turkey. Water Resources,Vol40(3),PP:233-242.

Searcy, J. K (1959). Flow-Duration Curves, US Geological Survey Water Supply, Paper 1542-A, P: 33.

Shaeri Karimi, S., Yasi, M., Eslamian, S. (2012). Uses of hydrological methods for assessment of environmental flow in a river reach. International Journal of Environmental Science and Technology, Vol 9, PP: 549-558.

Smakhtin, V. U (2001). Low - flow hydrology: a review. Journal of hydrology, Vol 240,
 PP: 147-186.

Stravs,L., and Brilly, M (2007). Development of a Low Flow Forecasting Model Using the M5 Machine Learning Method, Journal of Hydrological Sciences,Vol 52(3),PP:466-477.

Suresh, Chalise,S. R., Kansakar, G., Rees , K.,Croker,M.,Zaidman , (2003). Management of Water Resources and Low Flow Estimatin for the Himalayan Basins of Nepal. Journal of Hydrology, Vol 282, PP:  25-35.

Vogel, R. M., Fennessey, N. M (1994). Flow-duration curves, I: New interpretation and confidence intervals. Journal of Water Recourse &Planning Management, Vol 120, PP: 485-504.

Warnick,C.C(1984).Hydropower Engineering. Prentice-Hall, Inc., Englewood Cliffs, New Jersay. PP: 59-73.

Zhou, Y., Lu, X.X., Huang, Y.and Zhu, Y.M (2007). Suspended sediment flux modeling with artificial neural network: An example of the Longchuanjiang River in the upper Yangtze catchment China. Geomorphology, Vol 84, PP: 111-125.