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

مراجع

  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.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار