پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,504 |
| تعداد مشاهده مقاله | 124,122,497 |
| تعداد دریافت فایل اصل مقاله | 97,230,455 |
پیش‌بینی جریان روزانه در حوضۀ آبریز رودخانۀ تلوار با مدل‌های هوشمند | ||
| اکوهیدرولوژی | ||
| مقاله 17، دوره 5، شماره 1، فروردین 1397، صفحه 203-213 اصل مقاله (877.47 K) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2018.223015.386 | ||
| نویسندگان | ||
| مطلّب بایزیدی* 1؛ فرخ اسدزاده2؛ مهری کاکی3 | ||
| 1استادیارگروه مهندسی آب دانشگاه آزاد اسلامی واحد سنندج | ||
| 2استادیار گروه علوم خاک دانشگاه ارومیه | ||
| 3کارشناسی ارشد مهندسی منابع آب، دانشگاه تبریز | ||
| چکیده | ||
| دبی رودخانهها بهدلیل تغییرات درخور توجه زمانی و مکانی در مطالعات هیدرولوژی و برنامهریزی مدیریت منابع آب اهمیت فراوانی دارد. در علوم مهندسی آب، سعی بر این است که با استفاده از سری زمانی دادههای ثبت‌شده، اقدام به برآورد جریان رودخانه شود. افزایش دقت پیشبینیهای یادشده میتواند در برنامهریزی دقیق تخصیص منابع آب مؤثر باشد. در این پژوهش از سه روش برنامهریزی بیان ژن، روش حداقل مربعات ماشین بردار پشتیبان و شبکۀ عصبی موجکی برای برآورد جریان رودخانۀ تلوار در حوضۀ آبخیز قروه‌ـ دهگلان استفاده شده و کارایی آنها مقایسه شد. به این‌منظور دادههای 10 سالۀ دبی رودخانه (1381-1391) به منظور مدلسازی استفاده شد. برای مدلسازی با روشهای یادشده، 75 درصد از دادهها به عنوان دادههای آموزش و 25 درصد نیز به‌منزلۀ دادههای اعتبارسنجی مدل استفاده شدند. نتایج به‌دست‌آمده نشان داد پیش‌بینی مدل جریان با تأخیر دو روز قبل جریان در رودخانه در هر سه روش دقت قابل قبولی دارد، به‌طوری که معیار ضریب تبیین در مرحلۀ اعتبارسنجی در بهترین مدل به‌ترتیب برای برنامهریزی بیان ژن، ماشین بردار پشتیبان و شبکۀ عصبی موجک برابر با 94/0، 92/0 و 90/0 بودند. همچنین، مقایسۀ سه مدل نشان داد روش ماشین بردار پشتیبان نسبت به دو روش دیگر عملکرد بهتری دارد و نیز دقت پیش‌بینی در این مدل با افزایش تعداد تأخیرها به چهار و پنج روز قبل افزایش مییابد. | ||
| کلیدواژه‌ها | ||
| تخمین جریان؛ رودخانۀ تلوار؛ شبکۀ عصبی موجک؛ مدل برنامهریزی بیان ژن؛ مدل LS-SVM | ||
| عنوان مقاله [English] | ||
| The Application of Intelligent Techniques for Predicting Daily Flow at Telvar Basin River | ||
| نویسندگان [English] | ||
| Motalleb Byazidi1؛ Farrokh Asadzadeh2؛ Mehri Kaki3 | ||
| 1Department of Water Science | ||
| چکیده [English] | ||
| River flow, which temporarily and spatially changes, is a major hydrological variable in water resource planning. In research, on water resources, the perdition of the river flow based on historical data is a main step for watershed management. In this study three intelligent techniques including wavelet artificial neural networks, gene expression programming, and support vector machine (SVM- LS) were compared in river daily flow perdition at the Telvar basin. Daily recorded data from 2002-2012 were used in the modeling procedure. Data were divided to train (75%) and test (25%) groups. Results indicated that all three modeling methods have high performance in predicting daily flow using the two-day lag data. The correlation coefficients for wavelet artificial neural networks, gene expression programming, and support vector machine (SVM- LS) were 0.9, 0.94, and 0.92 respectively. Therefore, it can be concluded that the gene expression programming has slightly better results in comparison with the other two modeling methods. The accuracy of the gene expression programming model increased due to the increasing of the lag data from 2 to 4 and five days. | ||
| کلیدواژه‌ها [English] | ||
| Flow estimation, Gene Expression Planning, SVM model, Telvar River, Wavelet Neural Network | ||
| مراجع | ||
|
[1]. Kisi O. Least squares support vector machine for modeling daily reference evapotranspiration. Irrigation Science; 2012. [2]. Ghorbani MA, Kisi O, Aalinezhad MA. Probe into the chaotic nature of daily stream flow time series by correlation dimension and largest Lyapunov methods Applied Mathematical Modelling. 2010; 34: 4050–4057. [3]. Whigham PA, Crpper PF. Modelling Rainfall-Runoff Using Genetic Programming. 2001. 33:707-721. [4]. Nikbakhtshabazi A. Application of support vector machine in river flow forecasting, Iranian Hydraulic Conference; 2009 [Persian] [5]. Yu PS, Chen ST, Chang IF. Support vector regression for real-time flood stage forecasting Hydrology. 2006; 328: 704-716. [6]. Okkan U. Wavelet neural network model for reservoir inflow prediction. Journal of ScientiaIranica; 2012, December 1445–1455 [7]. Sayagavi V.G, Charhate Sh, Magar R. 2016. Estimation of Discharge Using LS-SVM and Model. Journal of Water Resources and Ocean Science. 2016; 5(6): 78-86. [8]. He Zh, Wen X, Liu H, Du J. A comparative study of artificial Neural Network, adaptive Neuro Fuzzy inference system and support vector machine for forecasting river flow in the semiarid mountain region. 2014; 509: 379-386. [9]. Shenify M, SeyedDanesh A, Gocić M, Surya R, Ainuddin T, Wahab WA, Gani A, Shamshirband Sh. Precipitation Estimation Using Support Vector Machine with Discrete Wavelet Transform, Journal of water resources management. 2016; 30(2):641-652. [10]. Sarangi A, Bhattacharya A.K. Comparison of Artificial Neural Network and Regression Modelsfor Sediment Loss Prediction from Banha Watershed in India. Agricultural water management. 2005; 28(4): 373-385. [11]. Solaimani K. Rainfall-Runoff Prediction Based on Artificial Neural Network (A Case Study: Jarahi [12]. Watershed). American-Eurasian Journal of Agriculture and Environment, Science. 2009; 5(6): 856-865. [13]. Borelli A, De Falco I, Della C A, Nicodemi M, Trautteur G. Performance of Genetic Programming to Extract the Trend in Noisy Data Series. Physica A. 2006; 370: 104-108. [14]. Suykens J A. K, Gestel T V, Brabanter J D, Moor B D, Vandewalle J. Least Squares Support Vector Machines. Copyright by World Scientific Publishing Co. Pie. Ltd.2002; 58: 72-75. [15]. Shiloh Shah R. Support vector machines for classification and regression, Master of Science, computer science, McGill university Montreal, Quebec, 2007. [16]. Seif A. Developing an Expert System for Predicting Daily Reference Evapotranspiration Using Support Vector Machines (SVM) in Comparison with ANFIS, ANN and Empirical Methods. M. S. in Irrigation and drainage Engineering, TarbiatModares University, Tehran , 2010[ Persian] [17]. Wang D, Ding J. Wavelet network model and its application to the prediction of hydrology. Nat Science. 2003; 1(1): 67–71. [18]. Mellit A, MassiPavan A, Benghanem, M. Least squares support vector machine for short-term prediction of meteorological time series. Theory Apple Climatol. 2013; 111: 297–307. [19]. Safavi A, Romagnoli J.A. Comments on the non-linear black box modelling in system identification: a unified overview. IFAC Journal of automatic. 1997; 33(6): 1197-1198. [20]. Nash JE, Sutcliffe JV. River flow forecasting through conceptual models. Part 1 – a discussion of principles J. Hydrology. 1970; 192: 211–232. [21]. Menhaj MB. Basics neural networks. 1nd ed. Tehran : Amirkabir University of Technology; 2006 [ Persian] [22]. Ahmadi F, Radmanesh F, Mirabasi R. Comparison of genetic algorithm and support vector machine to predict daily river flow (Case Study: BarandozChay River). Journal of Soil and Water (Food Science and Industry). 2014; 28(6): 1171-1116 [Persian] [23]. Toufani P, Mosaedi A, FakheriFard A. Prediction of Precipitation Applying Wavelet Network Model(Case study: Zarringol station, Golestan province, Iran), Journal of Water and Soil 2011; 25(5): 1217-1226[ Persian] [24]. Seyedian SM, Solimani M, Kashani M. Predicting stream flow using data-driven model and time series. Ecohydrology. 2014; 1(3): 167-179 [Persian] [25]. Tripathi, Sh, Srinivas, VV, Nanjundiah RS. Downscaling of precipitation for climate change scenarios: A support vector machine approach. Journal of Hydrology. 2006; 330: 62-640. | ||
|
آمار تعداد مشاهده مقاله: 624 تعداد دریافت فایل اصل مقاله: 453 |
||