بررسی تأثیر توالی دبی روزانه در پیش‌بینی جریان رودخانه‌ با استفاده از الگوریتم‌های هوشمند (مطالعه موردی: حوضه آبخیزکسیلیان)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش‌آموخته دکتری، گروه آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری، مازندران، ایران

2 استاد گروه مرتع و آبخیزداری، دانشگاه فردوسی مشهد، مشهد، ایران

3 دانشیار گروه آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری، مازندران، ایران

10.22111/j10.22111.2022.7007

چکیده

پیش‌بینی جریان رودخانه در دوره‌های زمانی آینده از مسائل مهم و کاربردی در مدیریت منابع آب است. در حقیقت تعیین یک مدل قابل اطمینان و انتخاب ورودی‌ها با تاخیر زمانی مناسب برای پیش‌بینی دبی جریان، یک موضوع کلیدی برای مدیران حوضه آبخیز، هیدرولوژیست‌ها و مهندسین رودخانه می‌باشد. در چند دهه اخیر استفاده از الگوریتم های هوشمند و تئوری مجموعه‌های فازی جهت مدل‌سازی پدیده‌های هیدرولوژیکی که دارای پیچیدگی و عدم قطعیت بالایی هستند، مورد توجه محققین قرار گرفته است. در این راستا در پژوهش حاضر به منظور پیش‌بینی جریان در حوضه آبخیز کسیلیان، از مدل سیستم استنتاج عصبی- فازی تطبیقی و از ورودی دبی جریان با تاخیر یک روز قبل، دو روز قبل، .... تا هفت روز قبل استفاده گردید. سپس جهت بررسی بیشتر این فرایند از مدل شبکه عصبی مصنوعی نیز استفاده شد و نتایج بر اساس شاخص‌های آماری ضریب تبیین و جذر میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج حاکی از این بود که در مدل سیستم استنتاج عصبی- فازی تطبیقی تا گام زمانی چهار روز قبل، پیش‌بینی جریان رو به بهبود بوده و بعد از آن رو به نزول گذاشت و در مدل شبکه عصبی مصنوعی تا گام زمانی پنج روز قبل بهترین نتایج را ارائه داد. همچنین مقایسه و ارزیابی نتایج شاخص‌های آماری الگوهای بهینه‌ی هر دو مدل در دوره آزمون نشان داد که مدل سیستم استنتاج عصبی- فازی تطبیقی (ضریب تبیین= 60/0 و جذر میانگین مربعات خطا= 64/0) نسبت به مدل شبکه عصبی مصنوعی (ضریب تبیین=51/0 و جذر میانگین مربعات خطا= 74/1)، از دقت بیشتری جهت پیش‌بینی جریان رودخانه برخوردار بود

کلیدواژه‌ها


عنوان مقاله [English]

Investigating the effect of daily discharge sequence in river flow forecasting using intelligent algorithms (case study: Kasilian watershed)

نویسندگان [English]

  • Haniyeh Asadi 1
  • Mohammad taghi Dastorani 2
  • Kaka Shahedi 3
1 لرستان-بروجرد-خیابان تختی-کوچه روح بخش-پلاک 35
2 Faculty of Natuaral Resources and Environmen, Ferdowsi University of Mashhad, Iran
3 Assistant Professor, Department of Watershed Management, Faculty of Natural Resources, Sari Agricultural Sciences and Natural Resources
چکیده [English]

In fact determine a reliable models and selection of inputs with proper temporal delay for river flow forecasting is a key topic for watershed managers, hydrologists, river engineers. In recent decades use of intelligent algorithms and fuzzy collection theories for modeling of hydrological phenomena that have complexity and uncertainly, has been noticed by researchers. In this regard, in the present study was used adaptive neuro-fuzzy inference system (ANFIS) and different input patterns of flow discharge (with daily time steps up to 7 days ago) in order to river flow forecast of Kasilian catchment. Then in order to further investigate of this process artificial neural network (ANN) model was used and the results were evaluated using quantitative statistics including coefficient of determination (R2) and root mean square error (RMSE). In ANFIS model the results of river flow prediction was improved up 4-day step and afterward decreased while in ANN up 5-day step improved. Evaluation of quantitative statistics values for the best patterns of two models applied during validation period indicated that ANFIS (R2 = 0.60, RMSE = 0.64) had high accuracy than ANN (R2 = 0.51, RMSE = 1.74) in river flow forecasting.

کلیدواژه‌ها [English]

  • Forecasting: Daily dischsrge
  • : Kasilian
  • : Intelligent algorithm