Investigating the Effect of Daily Discharge Sequence in River Flow Forecasting Using Intelligent Algorithms (Case study: Kasilian watershed)

Document Type : Research Paper

Authors

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

Abstract

In fact, determination of a reliable model and selection of inputs with proper time lags for river flow forecasting is a key topic for watershed managers, hydrologists, and river engineers. In recent decades use of intelligent algorithms and fuzzy theories for modeling of hydrological phenomena has been noticed by researchers. In this regard, in the present study adaptive neuro-fuzzy inference system (ANFIS) and different input patterns of flow discharge (with 1-7 day time lags) was used in order to river flow forecast of Kasilian watershed. Then in order to further investigate of this process, artificial neural network (ANN) model was used and the results were evaluated using coefficient of determination (R2) and root mean square error (RMSE). The results showed that river flow prediction were improved using 1-4 day time lags in ANFIS model and 1-5 day time lags in ANN model. Evaluation of standard statistics values of the best input patterns during validation phase indicated that ANFIS with R2=0.60 and RMSE=0.64 had higher accuracy than ANN with R2=0.51 and RMSE=1.74 in river flow forecasting.

Keywords

References

اسدی، هانیه؛ کاکا شاهدی؛ ری سایدل؛ سید مصطفی کلامی هریس (۱۳۹۸). پیش‌بینی رسوب معلق با استفاده از داده‌های هیدرولوژیک و هیدروژئومورفیک در مدل‌های هوشمند، مجلۀ تحقیقات منابع آب ایران. سال 15. شماره 3. شماره پیاپی 50. صفحات ۱۰۵-۱۱۹. https://www.magiran.com/paper/2068726
پوستی‌زاده، ندا؛ جمال محمد ولی سامانی؛ امین کوره‌پزان دزفولی (۱۳۸۷). پیش‌بینی جریان رودخانه با استفاده از سیستم استنتاج فازی، مجلۀ تحقیقات منابع آب ایران. سال 4. شماره 2. شماره پیاپی 11. صفحات 34-۲۳.
https://www.magiran.com/paper/897697
پهلوانی، حمید (1388). ارزیابی کارایی مدل‌های شبکۀ عصبی مصنوعی در تخمین هوشمند هیدروگراف سیل ورودی به سد مخزنی شیرین‌دره در مقایسه با مدل‌های تطبیقی عصبی- فازی، پایان‌نامۀ کارشناسی ارشد، دانشگاه علوم کشاورزی و منابع طبیعی گرگان. 123صفحه.
https://ganj.irandoc.ac.ir/#/articles/ed8982b031f3b29aa2f0b1b7a816d4ab
داننده مهر، علی؛ محمد رضا مجدزاده طباطبایی (۱۳۸۹). بررسی تأثیر توالی دبی روزانه در پیش‌بینی جریان رودخانه‌ها با استفاده از برنامه‌‌ریزی ژنتیک، نشریۀ آب و خاک. سال 24. شماره 2. شماره پیاپی 10. صفحات 333-۳۲۵.
https://www.magiran.com/paper/750345
دستورانی، محمدتقی (۱۳۸۶). بررسی کاربرد مدل‌های هوش محاسباتی در شبیه‌سازی و پیش‌بینی به‌هنگام جریان‌‌های سیلابی، نشریۀ علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی). سال 11. شماره 2. شماره پیاپی 40. صفحات37- ۲۷. https://www.magiran.com/paper/474118
دستورانی، محمدتقی؛ حامد شریفی دارانی، علی طالبی، علیرضا مقدس‌نیا، (۱۳۹۰). کارایی شبکه‌های عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقی در مدل‌سازی بارش- رواناب در حوضۀ آبخیز سد زاینده‌رود، مجلۀ آب و فاضلاب. دوره 22. شماره 4. شماره پیاپی 80. صفحات 125-114. 
 https://www.magiran.com/paper/949761
زارع ابیانه، حمید؛ مریم بیات‌ورکشی (1390) ارزیابی مدل‌های هوشمند عصبی و تجربی در تخمین رواناب سالانه. نشریۀ آب و خاک (علوم و صنایع کشاورزی)، دوره 25. شماره 2. صفحات 379-365.
https://www.sid.ir/fa/journal/ViewPaper.aspx?id=135206
سلاجقه، علی؛ ابوالحسن فتح آبادی؛ محمد مهدوی (۱۳۸۸). بررسی کارایی روش‌های عصبی- فازی و مدل‌های آماری در شبیه‌سازی فرایند بارش- رواناب، فصلنامۀ مرتع و آبخیزداری. سال 62. شماره 1. صفحات 79-۶۵.
https://www.magiran.com/paper/684437
شجاع رستگاری، حمید؛ غلام‌عباس بارانی (1390). استفاده از سیستم فازی- عصبی تطبیقی در مدل‌سازی بارش- رواناب، اولین همایش منطقه‌ای توسعۀ منابع آب. دانشگاه آزاد اسلامی. واحد ابرکوه. 13 صفحه.
https://civilica.com/doc/114808
صادقی، سید حمیدرضا؛ هانیه اسدی (۱۳۸۹). اهمیت زمان پیمایش بین خطوط هم‌زمان تمرکز در دقت تخمین سیلاب از آب‌نمود واحد لحظه‌ای کلارک، نشریۀ آب و خاک. سال 24. شماره 4. شماره پیاپی 12. صفحات 635-۶۲۵.
https://www.magiran.com/paper/790598
فتح‌آبادی، ابوالحسن؛ علی سلاجقه؛ محمد مهدوی (۱۳۸۷). پیش‌بینی دبی رودخانه با استفاده از روش‌های نور و فازی و مدل‌های سری‌های زمانی، مجلۀ علوم و مهندسی آبخیزداری ایران. سال 2. شماره 5. صفحات ۲۱-30.
https://www.magiran.com/paper/686503
کارآموز، محمد؛ شهاب عراقی‌نژاد (1397). هیدرولوژی پیشرفته، انتشارات دانشگاه صنعتی امیرکبیر. چاپ اول. 468 صفحه.
https://www.adinehbook.com/gp/product/9644632745
نبی‌زاده، مرتضی؛ ابوالفضل مساعدی؛ موسی حسام؛ امیراحمد دهقانی (۱۳۹۱). پیش‌بینی جریان رودخانه با استفاده از سامانۀ استنتاج فازی (FIS) و سامانۀ استنتاج فازی- عصبی تطبیقی (ANFIS)، مجلۀ علوم و مهندسی آبخیزداری ایران. سال 5. شماره 17. صفحات 14-7. https://www.magiran.com/paper/1083411
نورانی، وحید؛ کامران صالحی (1387). مدل‌سازی بارش- رواناب با استفاده از روش شبکۀ عصبی فازی تطبیقی و مقایسۀ آن با روش‌های شبکۀ عصبی و استنتاج فازی (مطالعۀ موردی: حوضۀ آبریزلیقوان چای واقع در استان آذربایجان شرقی)، چهارمین کنگرۀ ملی مهندسی عمران. تهران. 8 صفحه. https://civilica.com/doc/38309/
نورانی، وحید؛ محمدعلی کی‌‌نژاد؛ لیلا ملکانی (۱۳۸۸). استفاده از سیستم فازی- عصبی تطبیقی در مدل‌سازی بارش- رواناب، نشریۀ مهندسی عمران و محیط زیست دانشگاه تبریز. سال 39. شماره 4. شماره پیاپی 60. صفحات 81- ۷۵.
https://www.magiran.com/paper/880137 
Refrences
Adnan, R. M., Petroselli, A., Heddam, S., Santos, C. A. G., & Kisi, O. (2021). Short term rainfall-runoff modelling using several machine learning methods and a conceptual event-based model. Stochastic Environmental Research and Risk Assessment, 35(3), 597-616.‏
https://doi.org/10.1007/s00477-020-01910-0
Anusree, K., & Varghese, K. O. (2016). Streamflow prediction of Karuvannur River Basin using ANFIS, ANN and MNLR models. Procedia Technology, 24, 101-108.‏
https://doi.org/10.1016/j.protcy.2016.05.015
Asadi, H., Dastorani, M. T., Sidle, R. C., & Shahedi, K. (2021). Improving Flow Discharge-Suspended Sediment Relations: Intelligent Algorithms versus Data Separation. Water, 13(24), 3650.
https://doi.org/10.3390/w13243650
Asadi, H., Shahedi, K., Jarihani, B., & Sidle, R. C. (2019). Rainfall-runoff modelling using hydrological connectivity index and artificial neural network approach. Water, 11(2), 212.
https://doi.org/10.3390/w11020212
Chen, J. C., Chang, N. B., & Shieh, W. K. (2003). Assessing wastewater reclamation potential by neural network model. Engineering applications of artificial intelligence, 16(2), 149-157.‏
https://doi.org/10.1016/S0952-1976(03)00056-3
Dou, M., Qin, C., Li, G., & Wang, C. (2020). Research on calculation method of free flow discharge based on artificial neural network and regression analysis. Flow Measurement and Instrumentation, 72, 102-123.‏
https://doi.org/10.1016/j.flowmeasinst.2020.101707
El-Shafie, A., Taha, M. R., & Noureldin, A. (2007). A neuro-fuzzy model for inflow forecasting of the Nile river at Aswan high dam. Water resources management, 21(3), 533-556.‏
https://doi.org/10.1007/s11269-006-9027-1
Firat, M. (2007). Artificial intelligence techniques for river flow forecasting in the Seyhan river catchment, Turkey. Hydrology and Earth System Sciences Discussions, 4(3), 1369-1406.‏
https://hal.archives-ouvertes.fr/hal-00298839
Hagan, M. T., & Menhaj, M. B. (1994). Training feedforward networks with the Marquardt algorithm. IEEE transactions on Neural Networks, 5(6), 989-993.‏
https://doi.org/10.1109/72.329697
Haykin, S. (1999). Neural Networks, a comprehensive foundation, Prentice-Hall Inc. Upper Saddle River, New Jersey, 7458, 842.‏
https://onesearch.library.rice.edu/permalink/01RICE_INST/11atd6j/alma991012352029705251
Hosseini, S. M., & Mahjouri, N. (2016). Integrating support vector regression and a geomorphologic artificial neural network for daily rainfall-runoff modeling. Applied Soft Computing, 38, 329-345.‏
https://doi.org/10.1016/j.asoc.2015.09.049
Jang, J. S. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23(3), 665-685.‏
https://doi.org/10.1109/21.256541
Kartalopoulos, S. V., & Kartakapoulos, S. V. (1997). Understanding neural networks and fuzzy logic: basic concepts and applications. Wiley-IEEE Press. 205.
https://dl.acm.org/doi/book/10.5555/550087
 Kim, T. W., & Valdés, J. B. (2003). Nonlinear model for drought forecasting based on a conjunction of wavelet transforms and neural networks. Journal of Hydrologic Engineering, 8(6), 319-328.‏
https://doi.org/10.1061/(ASCE)1084-0699(2003)8:6(319)
Kişi, Ö (2008). Stream flow forecasting using neuro‐wavelet technique. Hydrological Processes: An International Journal, 22(20), 4142-4152.‏
https://doi.org/10.1002/hyp.7014
Kisi, O., Shiri, J., & Nikoofar, B. (2012). Forecasting daily lake levels using artificial intelligence approaches. Computers & Geosciences, 41, 169-180.‏
https://doi.org/10.1016/j.cageo.2011.08.027
Kumar, D., Pandey, A., Sharma, N., & Flügel, W. A. (2016). Daily Suspended Sediment simulation using machine learning approach. Catena, 138, 77-90.‏
https://doi.org/10.1016/j.catena.2015.11.013
Kurtulus, B., & Razack, M. (2010). Modeling daily discharge responses of a large karstic aquifer using soft computing methods: Artificial neural network and neuro-fuzzy. Journal of Hydrology, 381(1-2), 101-111.‏
https://doi.org/10.1016/j.jhydrol.2009.11.029
Liu, Z., Li, Q., Zhou, J., Jiao, W., & Wang, X. (2021). Runoff Prediction Using a Novel Hybrid ANFIS Model Based on Variable Screening. Water Resources Management, 35(9), 2921-2940.‏
https://doi.org/10.1007/s11269-021-02878-4
Moatamednia, M., Nohegar, A., Malekian, A., Asadi, H., Tavasoli, A., Safari, M., & Karimi, K. (2015). Daily river flow forecasting in a semi-arid region using twodatadriven. Desert, 20(1), 11-21.
https://dx.doi.org/10.22059/jdesert.2015.54078
Nayak, P. C., Sudheer, K. P., Rangan, D. M., & Ramasastri, K. S. (2004). A neuro-fuzzy computing technique for modeling hydrological time series. Journal of Hydrology, 291(1-2), 52-66.‏
https://doi.org/10.1016/j.jhydrol.2003.12.010
Nayak, P. C., Sudheer, K. P., Rangan, D. M., & Ramasastri, K. S. (2005). Short‐term flood forecasting with a neurofuzzy model. Water Resources Research, 41(4).‏ 2517-2530
https://doi.org/10.1029/2004WR003562
Roy, B., & Singh, M. P. (2020). An empirical-based rainfall-runoff modelling using optimization technique. International journal of river basin management, 18(1), 49-67.‏
https://doi.org/10.1080/15715124.2019.1680557
Sachan, A., & Kumar, D. (2017). Neural Fuzzy Inference System Modelling with Different Input Vectors for Rainfall-Runoff Prediction. International Journal of Advance Research, Ideas and Innovations in Technology, 4, 449-458.
https://www.ijariit.com/manuscripts/v4i1/V4I1-1305.pdf
Tayfur, G., & Singh, V. P. (2006). ANN and fuzzy logic models for simulating event-based rainfall-runoff. Journal of hydraulic engineering, 132(12), 1321-1330.‏
https://doi.org/10.1061/(ASCE)0733-9429(2006)132:12(1321)
Geography and Development
Volume 20, Issue 68
September 2022
Pages 163-183

Files

History

  • Receive Date: 26 June 2022
  • Accept Date: 26 June 2022

Share

How to cite

Statistics