سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,532
تعداد مقالات70,501
تعداد مشاهده مقاله124,115,470
تعداد دریافت فایل اصل مقاله97,219,623
احمدپور, عباس, میرهاشمی, سیدحسن, حقیقت جو, پرویز. (1399). ارزیابی مدل‌های کلاسیک و مدل مفهومی IHACRES و مدل هیبریدی ANN ARMA-درشبیه‌سازی و پیش-بینی جریان روزانه مارون. , 51(3), 727-736. doi: 10.22059/ijswr.2019.290549.668344
عباس احمدپور; سیدحسن میرهاشمی; پرویز حقیقت جو. "ارزیابی مدل‌های کلاسیک و مدل مفهومی IHACRES و مدل هیبریدی ANN ARMA-درشبیه‌سازی و پیش-بینی جریان روزانه مارون". , 51, 3, 1399, 727-736. doi: 10.22059/ijswr.2019.290549.668344
احمدپور, عباس, میرهاشمی, سیدحسن, حقیقت جو, پرویز. (1399). 'ارزیابی مدل‌های کلاسیک و مدل مفهومی IHACRES و مدل هیبریدی ANN ARMA-درشبیه‌سازی و پیش-بینی جریان روزانه مارون', , 51(3), pp. 727-736. doi: 10.22059/ijswr.2019.290549.668344
احمدپور, عباس, میرهاشمی, سیدحسن, حقیقت جو, پرویز. ارزیابی مدل‌های کلاسیک و مدل مفهومی IHACRES و مدل هیبریدی ANN ARMA-درشبیه‌سازی و پیش-بینی جریان روزانه مارون. , 1399; 51(3): 727-736. doi: 10.22059/ijswr.2019.290549.668344

ارزیابی مدل‌های کلاسیک و مدل مفهومی IHACRES و مدل هیبریدی ANN ARMA-درشبیه‌سازی و پیش-بینی جریان روزانه مارون

تحقیقات آب و خاک ایران
مقاله 15، دوره 51، شماره 3، خرداد 1399، صفحه 727-736    اصل مقاله (1.03 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/ijswr.2019.290549.668344
نویسندگان
عباس احمدپور1؛ سیدحسن میرهاشمی2؛ پرویز حقیقت جو* 3
1دانش آموخته کارشناسی ارشد مهندسی منابع آب، دانشگاه زابل، زابل، ایران
2دانشجوی دکتری آبیاری و زهکشی داشگاه زابل- دانشکده آب و خاک- گروه مهندسی آب
3دانشیار گروه مهندسی آب، دانشکده آب و خاک- دانشگاه زابل
چکیده
هدف از این پژوهش مقایسه عملکرد مدل­های سری زمانی خطی  باکس-جنکنیز و مدل مفهومیIHACRES ، مدل شبکه عصبی پرسپترون چندلایه و مدل هیبریدی ARMA-ANN به منظور شبیه­سازی و پیش­بینی جریان روزانه حوضه مارون می­باشد. بدین منظور از داده­های 1370-1385 برای واسنجی و از داده­های 1386 -1396 برای صحت­سنجی مدل­ها استفاده گردید. برای انتخاب مدل­های برتر باکس-جنکنز از آماره­های شوارتز ((SBC و معیار اطلاعات اکائیک ((AIC بهره گرفته شد. در مدل­سازی دبی جریان روزانه  حوضه مارون با شبکه­های عصبی مصنوعی سعی شد از سناریوها و الگوریتم­های آموزشی و توابع انتقال متفاوت با ساختار نرونی گوناگون استفاده گردید. برای مدل­سازی شدت جریان روزانه با شبکه عصبی، سناریو 1 با تعداد پارامتر و تاخیر زمانی کمتر به عنوان سناریو برتر برگزیده شد. بررسی معیارهای ارزیابی مدل­ها نشان داد که عملکرد  مدل مفهومی در مرحله صحت­سنجی بهتر از مرحله واسنجی بوده است. همچنین مدل میانگین متحرک مرتبه چهارم MA(4) با داشتن کمترین مقدار ضریب تبیین برابر با 61/0، ضعیف­ترین عملکرد را در بین مدل­های مختلف باکس-جنکینز به خود اختصاص داد. بررسی معیارهای ارزیابی عملکرد مدل، حاکی از برتری نسبی مدل هیبریدی ARMA-ANN نسبت به سایر مدل­های مورد استفاده در این پژوهش دارد. به­طوری که مدل ARMA-ANN بیشترین مقادیر عددی ضریب تبین 86/0 و ضریب نش-ساتکلیف 81/0 به خود اختصاص داده است. این مطلب نشان­دهنده توانایی و عملکرد مدل هیبریدی ARMA-ANN درشبیه­سازی و پیش­بینی جریان روزانه حوضه مارون در مقایسه با سایر مدل­ها است.
کلیدواژه‌ها
شبکه‌های عصبی مصنوعی؛ مدل‌های باکس–جنکنیز؛ تابع انتقال؛ ضریب نش-ساتکلیف؛ معیار اطلاعات اکائیک
عنوان مقاله [English]
Evaluation of Classical, Conceptual IHACRES and Hybrid ARMA-ANN Models in Simulation and Prediction of Daily Discharge of Maroun River
نویسندگان [English]
Abbas Ahmadpour1؛ Seyyedhassan Mirhashemi2؛ Parviz Haghighat jou3
1M.Sc. Graduate of Water Resources Engineering, University of Zabol, Zabol, Iran
2Graduated ph.d, Dept. of Water Engineering, Faculty of Water and Soil, University of Zabol.
3Associate Professor, Dept. of Water Engineering, Faculty of soil and Water, University of Zabol.
چکیده [English]
The objective of this research is to compare the performance of linear time series models of Box-Jenkins and IHACRES, multilayer perceptron ANN and hybrid ARMA-ANN in order to simulate and predict the daily discharge of Maroun River. For this purpose, daily discharge data of (1991-2006) were used for calibration and data of (2007-2017) were used for verification of the models. Schwartz (SBC) and Akaike information criterion (AIC) were used to select the best model. Different scenarios, learning algorithms and transfer functions with various neuron structures were used to develop the ANN model. The first scenario with less parameters and delay time was selected as the best ANN model in prediction of daily flow rate. Evaluation indices showed that the conceptual model performance in verification stage was better than that in calibration stage. Also, the 4th order moving average model with R2=0.61 had the weakest performance as compared to the other Box-Jenkins models. Evaluation indices indicating a relative promotion for ARMA-ANN hybrid model as compared to the other proposed models.  As, ARMA-ANN hybrid model obtained the highest  R2=0.86 and Nash-Satcliffe coefficient equal to 0.81. The results prove the ability of ARMA-ANN hybrid model for simulation and prediction of daily discharge, as compared with other models.
کلیدواژه‌ها [English]
Artificial Neural Networks, Box-Jenkins Models, Transfer Function, Nash-Sutcliffe Coefficient, Akaike Information Criterion
مراجع

Abrichamchi, A., M. Tajrishy and B. Chehreneghar (2005). Regional stochastic models of annual Streamflow for West Basin of Iran (Karkheh, Dez and Karoon). Iran-Water Resources Research, 1(1): 48-57 (in Farsi).

Abushandi, E. and Merkel B. (2013). Modeling rainfall runoff relations using HEC-HMS and IHACRES for a single rain event in an arid region of Jordan. Journal of Water Resource Management 27: 2391-2409.

Asrardel M. (2015). Prediction of Combustion Dynamics in An Experimental Turbulent Swirl Stabilized Combustor with Secondary Fuel Injection, University of Tehran.

Beven K, Lamb, R., Quinn, P., Romanowicz, R. and Freer, J. (1995). TOPMODEL. Pp.627–668. In: VP, Singh, (Ed). Computer Models of Watershed Hydrology. Water Resources Publications. Colorado, USA.

Croke BFW, Merritt WS and Jakeman AJ. (2003). A dynamic model for predicting hydrologic response to land cover changes in gauged and ungauged catchments. Journal of Hydrology 291: 115–131.

Hipel, K.W. and McLeod, A.I. (1994). Time series modeling of water resources and environmental systems. Elsvier, Amsterdam.

Khazaei, M., and Mirzaei, M.R. (2013). Comparison of the performance of the ANN and time series models in prediction of monthly flows. Scientific- Research Journal of Engineering and Watershed Management, Vol. 5, No. 2, pp. 74-84.(In Farsi).

Kohansal M.R., Tohidi A. (2017). Performance evaluation of artificial neural network-autoregressive integrated moving average (ARIMA) hybrid model in forecasting of Iranian saffron export. Journal of Saffron Agronomy and Technology. 5(4): 393-405. (In Farsi).

Méndez Castellano, M., W. González Manteiga, M. Febrero Bande, J. Manuel, P. Sánchez and R. Lozano Calderón. (2004). Modeling of the monthly and daily behavior of the runoff of the Xallas river using Box–Jenkins and neural networks methods. Journal of Hydrology, 296: 38–58.

Moriasi, D.N., J.G. Arnold, M.W. van Liew, R.L. Bingner, R.D. Harmel and T.L Veith (2007). Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE, 50: 885-900

Mostafazadeh, R., Mirzaei, SH and Haji, KH. (2018a). Determining the optimal input subset and response of hydrologic model of Nash to variations of input model parameter ranges in Jafarabad mountainous watershed. Iranian Journal of Soil and Water Research. 49(3): 535-527 (In Farsi).

Mostafazadeh, R., Mirzaei, Sh., Esmali, A and Zabihi, M. (2018b). Sensitivity analysis of the flow hydrograph components due to changes in Clark's time-area model in Mohammad-Abad watershed, Gloestan Province. Iranian Journal of Soil and Water Research. 49(1): 1-9 (In Farsi).

Neitsch, SL., Arnold JG, Kiniry JR and Williams J. (2005). Soil Water Assessment Tool Theoretical Document, Version 2005.  Grassland, Soil and Water Research Laboratory, Agricultural Research Service, TX, USA.

Salas, J.D. Delleur , J.R. Yevjevich, V. and lane, W. L. (1980). APPlied  modeling of hydrologyic time series, Water Resource publication , Litteton, Colo,

Sriwongsitanon N and Taesombat W. (2011). Estimation of the IHACRES model parameters for flood estimation of ungauged catchments in the upper ping river basin. Kasetsart Journal (Natural Science) 45: 917-931.

Sugawara, M. (1974). Tank model and its application to Bird Creek, Wollombi Brook, Bikin Rive, Kitsu River, Sanaga River and Namrmune. Research Note of the National Research Center for Disaster Prevention 11: 1–64.

Thomas, H.A. and Fiering, M.B. (1962). Mathematical synthesis of stream flow sequences for the analysis of river basin by simulation. Harward university press, Cambrige, 751 pp.

Thompstone, R.M., Hipel, K.W. and Mcleod, A.I. (1985). Forecasting quarter-monthly river flow. Water Resources Bulletin, 21: 731-741.

Yurekli K., Kurung A. and Ozturk F. (2005). Testing the Residuals of an ARIMA Model on the Cekerek Stream Watershed in Turkey. Turkish Journal of Enviromental Science, 29: 61-74.

Zarei, A.R and Moghimi, M.M. (2016). Prediction and evaluation of average monthly temperature using time series models. 7(25): 142-151. (In Farsi).

Zarei, M., Habibnezhad Rowshan, M., Shahedi, K., and Ghanbarpour, M.R. (2011). Calibration and evaluation of IHACRES model in order to simulation of daily flow. Journal of Science and Agricultural Industries (Soil and Water division), Vol. 52, No. 1, pp. 401-411. (In Farsi).

آمار
تعداد مشاهده مقاله: 1,123
تعداد دریافت فایل اصل مقاله: 345


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب