مدل‌سازی و پیش‌بینی دبی‌های رودخانه‌های استان اردبیل با استفاده از مدل‌ شبکه عصبی مصنوعی

نوع مقاله : مروری

نویسنده

دانشگاه محقق اردبیلی

چکیده

در این پژوهش، مقادیر دبی­های رودخانه­های استان اردبیل با بهره­گیری از مدل شبکه­های عصبی مصنوعی و نیز با استفاده از توابع و امکانات نرم افزار MATLAB، مدل­سازی شد. بدین منظور، از آمار بلند­مدت ایستگاه­های هیدرومتری رودخانه­های این استان و برخی پارامترهای اقلیمی (دما، رطوبت نسبی، بارندگی و فشار)  ایستگاه­های سینوپتیک موثر بر میزان دبی­های حوضه­های این استان در طول دوره آماری 30 ساله (سال­ آبی 58-1357 تا 88-1387) بهره ­گرفته شد. ورودی­های شبکه، داده­های متوسط ماهانه­ی متغیرهای بارش، دما، رطوبت نسبی (حداقل، میانگین و حداکثر) و متوسط فشار ایستگاه­های سینوپتیک اردبیل و خلخال و خروجی شبکه نیز مقادیر متوسط دبی­های ماهانه­ی شش ایستگاه­ هیدرومتری بران، دوست­بیگلو، مشیران، گیلانده، سامیان و درو می­باشند. برای هر ایستگاه یک شبکه با خطای کمتر از 5 درصد طراحی گردید. پس از بررسی شاخص­های عملکرد شبکه از جمله ضریب تعیین، مجذور میانگین مربعات خطا، میانگین مربعات خطا، میانگین مطلق خطا، میانگین درصد خطا و ضریب همبستگی مشاهده شد که پیش­بینی دبی با دقت قابل قبولی انجام شده به طوری که میزان ضریب همبستگی­آن 99/0 و حداکثر  خطای آنها  51/3 درصد بوده است.

کلیدواژه‌ها


  1. - اصغری‌مقدم، ا.، نورانی، و. و ندیری، ع.، 1387. مدل-سازی بارش دشت تبریز با استفاده از شبکه‌های عصبی مصنوعی، مجله دانش کشاورزی، دانشگاه تبریز، ج 18، ش 1، ص 1-15.
  2. - اکبرپور، م. و شکرالهی، ا.، 1383. به کارگیری شبکه-های عصبی مصنوعی در تخمین جریانات رودخانه‌ای، اولین کنگره ملی مهندسی عمران، دانشگاه صنعتی شریف.
  3. - جهانگیر، ع.، رائینی، م. و ضیاء‌احمدی، م.، 1387. شبیه‌سازی فرایند بارش- رواناب با شبکة عصبی مصنوعی (ANN) و مقایسه با مدل HEC-HMS در حوضه معرف کارده، مجله آب و خاک (علوم و صنایع کشاورزی)، جلد 22، شماره 2، ص 84 – 72.
  4. - حسینی، س.، 1388. برآورد و تحلیل دماهای حداکثر شهرستان اردبیل با استفاده از مدل تئوری شبکه‌های عصبی مصنوعی، پایان نامه کارشناسی ارشد، به راهنمایی برومند صلاحی، دانشگاه محقق اردبیلی.
  5. - خلیلی، ن.، خداشناس، س. و داوری، ک.، 1385. پیش‌بینی بارش با استفاده از شبکه‌های عصبی مصنوعی، دومین کنفرانس مدیریت منابع آب.
  6. - رضایی، ع.، مهدوی، م.، لوکس، ک.، فیض‌نیا، س. و مهدیان، م.، 1386. مدل‌سازی منطقه‌ای دبی‌های اوج در زیر حوضه‌های آبخیز سد سفید‌رود با استفاده از شبکه‌های عصبی مصنوعی، مجله علوم و فنون کشاورزی و منابع طبیعی، سال 11، ش 1، ص 39 – 25.
  7. - شادمان مطلق، ع.، ابراهیمی، ح. و رهنما، م.، 1386. پیش‌بینی جریان رودخانه سفیدرود با استفاده از شبکه عصبی مصنوعی (ANN)، ششمین کنفرانس هیدرولیک ایران، دانشگاه شهرکرد.
  8. - صداقت‌کردار، ع. و فتاحی، ا.، 1387. شاخص‌های پیش آگاهی خشکسالی در ایران، مجله جغرافیا و توسعه دانشگاه سیستان و بلوچستان، ج 6 ، ش 11، ص 76-59.
  9. - فتحی، پ.، محمدی، ی. و همایی، م.، 1387. مدلسازی هوشمند سری زمانی آورد ماهانه ورودی به سد وحدت سنندج، مجله آب و خاک (علوم و صنایع کشاورزی)، ج 23 ، ش 1، ص 220-209.
  10. - فرج زاده، م. و دارند، م.، 1389. مقایسه روش‌های رگرسیون خطی و شبکه عصبی مصنوعی در پیش بینی میزان مرگ و میر به عنوان تابعی از دمای هوا (مطالعه موردی: شهر تهران)، مجله پژوهشی حکیم، ج 12، ش 3، ص 53-45.
  11. - قلخانی، ح.، یزداندوست، ف. و مشفق، م.، 1386. پیش-بینی رودخانه کارون با استفاده از شبکه عصبی مصنوعی، ششمین کنفرانس هیدرولیک ایران، دانشگاه شهرکرد.
  12. - کارآموز، م.، رمضانی، ف. و رضوی، س.، 1385. پیش‌بینی بلند مدت بارش با استفاده از سیگنال‌های هواشناسی: کاربرد شبکه‌های عصبی مصنوعی، هفتمین کنگره بین المللی مهندسی عمران، تهران.
  13. - منهاج، م.، 1384. مبانی شبکه‌های عصبی(هوش محاسباتی)، مرکز نشردانشگاه صنعتی امیر کبیر، چاپ سوم، ج 1، 712ص.
  14. - نورانی، و. و صالحی،ک.، 1387. مدل‌سازی بارش - رواناب با استفاده از روش شبکه عصبی فازی و مقایسه آن با روش‌های شبکه عصبی فازی، چهارمین کنگره ملی مهندسی عمران، دانشگاه تهران.
  15. - نوری، م.، میرحسینی، س.، زینال زاده، ک. و رهنما، م.، 1386. الگوی جدید بارش- رواناب حوضة آبریز هلیل رود با استفاده از مدل هیبرید شبکة عصبی- موجکی، نشریه زمین شناسی، جلد 2، شماره 2، ص 472 – 451.
  16. -Agarwal, A., RalI, R. K. and Upadhyay, A., 2009. Forecasting of Runoff and Sediment Yield Using Artificial Neural Networks. v.1(5) , p. 368-375
  17. -Akhtar, M. K., Corzo, G. A., van Andel, S. J. and Jonoski, A., 2009. River flow forecasting with artificial neural networks using satellite observed precipitation pre-processed with flow length and travel time information: case study of the Ganges river basin, Hydrology and Earth System Sciences, v. 13, p. 1607–1618.
  18. -Conrads, P.A. and Roehle, E.A., 1999. Comparing Physics- Based and Neural Network Mo Simulating Salinity, Temperature and Dissolved in a Complex, Tidally Affected River Basin. Proceeding of the South Carolina Environmental Conferees.
  19. -Dawson, W. and Wilby, R., 1998. An artificial neural network approach to rainfall-runoff modeling. Hydrological Sciences Journal, v.1, p. 47-66.
  20. -Demuth, H. and Beale, M., 2002. Neural Network Toolbox User’s Guide, Copyright 1992-2002, Bt The Math Works, Inc, v. 4, 840p.
  21. -Fulop, I.A., Jozsa, J. and Karamer, T., 1998. A neural network application in estimating wind induced shallow lake motion. Hydro informatics 98, v. 2, p. 753-757.
  22. -Hsu, K., Gupta, H.V. and Sorooshian, S., 1995. Artificial neural network modeling of the rainfall process. Water Resour, v. 31(10), p. 2517-2330.
  23. -Hung, N. Q., Babel, M. S., Weesakul, S. and Tripathi, N. K. 2009., An artificial neural network model for rainfall forecasting in Bangkok, Thailand, Hydrology and Earth System Sciences, v. 13, p. 1413-1425
  24. -Jain, A.K., Mao, J. and Mohiuddin, K.M., 1996. Artificial neural networks: authorial. I EEE, v. 29 (3), p. 31- 44.
  25. -Ranjithan, J., Eheart, J. and Garrett, J.H., 1995. Application of neural network in groundwater remediation under condition of uncertainty. New Uncertainty conception Hydrology and Water Resources. Cambridge University Press, 322 p.
  26. -Wu, C.L. and Chau, K.W., 2011. Rainfall–runoff modeling using artificial neural network coupled with singular spectrum analysis, Journal of Hydrology, v. 399, p. 394–409.