پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,235 |
| تعداد مقالات | 67,808 |
| تعداد مشاهده مقاله | 115,283,953 |
| تعداد دریافت فایل اصل مقاله | 90,025,956 |
پیش بینی جریان ماهانه رودخانه با استفاده از ترکیب مدل های خطی سری زمانی و شبکه های بیزین (مطالعه موردی: رودخانه بختیاری) | ||
| مدیریت آب و آبیاری | ||
| دوره 10، شماره 2، مهر 1399، صفحه 233-245 اصل مقاله (1.03 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jwim.2020.300562.783 | ||
| نویسندگان | ||
| فرشاد احمدی* 1؛ میر محمود ولی نیا2 | ||
| 1استادیار، گروه هیدرولوژی و مهندسی منابع آب، دانشکده مهندسی علوم آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران. | ||
| 2کارشناس دفتر فنی، شرکت آب منطقه ای استان آذربایجان غربی، ارومیه، ایران | ||
| چکیده | ||
| یکی از مسائل مهم در مدیریت منابع آب، تهیه و توسعه مدل‌های مناسب به منظور پیشبینی دقیق‌تر فرآیند جریان رودخانهها می-باشد. بدین منظور در مطالعه حاضر برای پیشبینی جریان ماهانه رودخانه بختیاری، در دوره آماری 1395-1334، از مدل‌های سری-زمانی خطی (ARMA)، مدل هوشمند شبکه بیزین (BN) و مدل تلفیقی BN-ARMA استفاده شد. عملکرد مدل‌های توسعه یافته براساس شاخص‌های آماری جذر میانگین مربعات خطا (RMSE)، ضریب همبستگی (CC) و آماره کلینگ- گوپتا (KGE) مورد ارزیابی قرار گرفتند. از بین مدل‌های سری زمانی برازش یافته به داده‌ها، مدل AR(3) با داشتن کمترین مقدار معیار اکایکه اصلاح شده برابر با 3/1089 به عنوان مدل مناسب سری ماهانه جریان انتخاب گردید. نتایج نشان داد که مدل AR(3) با خطای ( ) 786/47 از عملکرد قابل قبولی برخوردار است. برای مدل‌سازی جریان ماهانه رودخانه با استفاده از مدل BN از حافظه‌های دبی یک ماه قبل، دو ماه قبل تا پنج ماه قبل استفاده شد. نتایج نشان داد که با توالی سه ماه جریان عملکرد مدل به بهینه ترین حالت ممکن رسیده و با افزایش تعداد ورودی‌ها عملکرد آن تضعیف می‌شود. ضریب همبستگی، جذر میانگین مربعات خطا و KGE در بهترین حالت مدل BN در مرحله آزمون به ترتیب 826/0 و ( ) 303/45 و 789/0 می‌باشد. در مرحله بعد تلفیق مدل‌های BN و ARMA(3,0) انجام شد. نتایج حاصل نشان داد که مدل تلفیقی BN-ARMA به طور قابل ملاحظه‌ای دقت مدل‌سازی را افزایش داده و خطای پیشبینی را از ( ) 303/45 به ( ) 021/15 کاهش داد. | ||
| کلیدواژه‌ها | ||
| آزمون ایستایی؛ الگوی ورودی؛ توسعه مدل؛ شبکه بیزین | ||
| عنوان مقاله [English] | ||
| Prediction of Monthly River Flow Using Hybridization of Linear Time Series Models and Bayesian network (Case Study: Bakhtiari River) | ||
| نویسندگان [English] | ||
| Farshad Ahmadi1؛ Mir Mahmood Valinia2 | ||
| 1Assistant Professor, Hydrology & Water Resources Engineering Department, Faculty of Water & Environmental Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran | ||
| 2Technical office expert at West Azarbayjan Regional Water Authority, Urmia, Iran | ||
| چکیده [English] | ||
| One of the most important issues in water resources management is the preparation and development of appropriate models in order to predict the streamflow more accurately. For this purpose, in the present study, linear time series models (ARMA), intelligent Bayesian network (BN) and BN-ARMA hybrid model have been developed for forecasting the monthly river flow of Bakhtiari River in 1955-2016. The performance of the developed models was evaluated based on statistical indices such as root mean square error (RMSE), correlation coefficient (CC) and Kling-Gupta index (KGE). Among the time series models fitted to the data, the AR (3) model was selected as the appropriate model for monthly stream flow series, with the lowest value of the modified Akaike information criterion equal to 1089.3. The results showed that the AR (3) model with an error of 47.786 (m3/s) has acceptable performance. The monthly river flow from the previous month, two months and five months ago was used to model the monthly river flow using the BN model. The results indicated that with three months intervals, the model performance is optimized and its performance is weakened by increasing the number of inputs. The correlation coefficient, root mean square error and KGE in the best case of BN model in the test stage are 0.826, 45.303 and 0.789 (m3/s), respectively. Next, the combination of BN and ARMA(3.0) models was performed. The results showed that the BN-ARMA hybrid model significantly increases the accuracy of the modeling and reduces the prediction error from 45.303 (m3/s) to 15.021 (m3/s). | ||
| کلیدواژه‌ها [English] | ||
| Bayesian network, Input pattern, Model development, Stationary test | ||
| مراجع | ||
|
1. احمدی، ف.، دین پژوه، ی.، فاخری فرد، ا و خلیلی، ک. (1393). مقایسه مدل‌های خطی و غیرخطی سری‌زمانی در پیشبینی جریان رودخانه (مطالعه موردی: رودخانه باراندوزچای ارومیه). علوم و مهندسی آبیاری. 37 (1): 105-93. 2. احمدی، ف.، رادمنش، ف و میرعباسی نجف آبادی، ر. (1395). کاربرد شبکه‌های بیزین و برنامهریزی ژنتیک در پیشبینی جریان روزانه رودخانه (مطالعه موردی: رودخانه باراندوزچای). علوم و مهندسی آبیاری. 39 (4): 223-231. 3. چمنی، م. و روشنگر، ک. (1398). ارزیابی مدل تلفیقی تجزیه‌ی مد تجربی یکپارچه کامل- گاوسی در پیشبینی زمانی و مکانی دبی رودخانه. مدیریت آب و آبیاری. 9 (2): 277-289. 4. خلیلی، ک.، احمدی، ف.، بهمنش، ج و وردی نژاد، و. (1391). بررسی تأثیر تغییر اقلیم بر روی دمای هوا و جریان رودخانه شهرچای واقع در غرب دریاچه ارومیه با استفاده از تحلیل روند و ایستایی. علوم و مهندسی آبیاری. 35 (4): 108-97. 5. خلیلی، ک.، احمدی، ف.، دین پژوه، ی و بهمنش، ج. (1393). تحلیل رفتار خطی و غیرخطی سری‌های زمانی هیدرولوژیک (مطالعه موردی رودخانه‌های غرب دریاچه ارومیه). تحقیقات منابع آب ایران. 10 (2): 20-12. 6. داننده مهر، ع و مجدزاده طباطبائی، م. (1389). بررسی تأثیر توالی دبی روزانه در پیشبینی جریان رودخانهها با استفاده از برنامهریزی ژنتیک. آب و خاک. 24 (2): 333-325. 7. عباسی، ع.، خلیلی، ک.، بهمنش، ج و شیرزاد، ا. (1398). پیشبینی خشکسالی با استفاده از مدل ترکیبی GEP-GARCH (مطالعه موردی: ایستگاه سینوپتیک سلماس). تحقیقات آب و خاک ایران. 50 (6): 1317-1329. 8. کاردان مقدم، ح و روزبهانی، ع. (1394). ارزیابی مدل شبکه های بیزین در پیش بینی ماهانل سطح آب زیرزمینی (مطالعۀ موردی: آبخوان بیرجند). مدیریت آب و آبیاری. 5 (2): 151-139. 9. منتصری، م و زمان زاد قویدل، ق. (1393). پیش بینی جریان رودخانه با محاسبات نرم. آب و خاک. 28 (2): 405-394. 10. نبی زاده، م.، مساعدی، ا. و دهقانی، ا. (1391). تخمین هوشمند دبی روزانه با بهره‌گیری از سامانه استنباط فازی- عصبی تطبیقی. مدیریت آب و آبیاری. 2 (1): 80-69. 11. Anupam, S., & Pani, P. (2020). Flood forecasting using a hybrid extreme learning machine-particle swarm optimization algorithm (ELM-PSO) model. Modeling Earth Systems and Environment, 6(1), 341-347. 12. Cain, J. (2001). Planning improvements in natural resource management. Guidelines for using Bayesian networks to support the planning and management of development programmers in the water sector and beyond. Centre for Ecology and Hydrology, Crowmarsh Gifford, Wallingford Press. 13. Chen, Y., Marek, G. W., Marek, T. H., Moorhead, J. E., Heflin, K. R., Brauer, D. K., & Srinivasan, R. (2019). Simulating the impacts of climate change on hydrology and crop production in the Northern High Plains of Texas using an improved SWAT model. Agricultural Water Management, 221, 13-24. 14. Desta, Y., Goitom, H., & Aregay, G. (2019). Investigation of runoff response to land use/land cover change on the case of Aynalem catchment, North of Ethiopia. Journal of African Earth Sciences, 153, 130-143. 15. Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American statistical association, 74(366), 427-431. 16. Fathian, F., Mehdizadeh, S., Sales, A. K., & Safari, M. J. S. (2019). Hybrid models to improve the monthly river flow prediction: Integrating artificial intelligence and non-linear time series models. Journal of Hydrology, 575, 1200-1213. 17. Gupta, A., Himanshu, S. K., Gupta, S., & Singh, R. (2020). Evaluation of the SWAT Model for Analysing the Water Balance Components for the Upper Sabarmati Basin. In Advances in Water Resources Engineering and Management (pp. 141-151). Springer, Singapore. 18. Kong, X., Zeng, X., Chen, C., Fan, Y., Huang, G., Li, Y., & Wang, C. (2019). Development of a maximum entropy-Archimedean copula-based Bayesian network method for streamflow frequency analysis (A case study of the Kaidu river basin, china). Water, 11(1), 42. 19. Kuikka, S., & Varis, O. (1997). Uncertainties of climatic change impacts in Finnish watersheds: a Bayesian network analysis of expert knowledge. Boreal Environment Research, 2, 109-109. 20. McCann, R. K., Marcot, B. G., & Ellis, R. (2006). Bayesian belief networks: applications in ecology and natural resource management. Canadian Journal of Forest Research, 36(12), 3053-3062. 21. Mehdizadeh, S., & Sales, A. K. (2018). A comparative study of autoregressive, autoregressive moving average, gene expression programming and Bayesian networks for estimating monthly streamflow. Water Resources Management, 32(9), 3001-3022. 22. Mehdizadeh, S., Fathian, F., & Adamowski, J. F. (2019). Hybrid artificial intelligence-time series models for monthly streamflow modeling. Applied Soft Computing, 80, 873-887. 23. Mohammady, M., Moradi, H. R., Zeinivand, H., Temme, A. J. A. M., Yazdani, M. R., & Pourghasemi, H. R. (2018). Modeling and assessing the effects of land use changes on runoff generation with the CLUE-s and WetSpa models. Theoretical and Applied Climatology, 133(2), 459-471. 24. Pollino, C. A., & Hart, B. T. (2007). Bayesian network model in natural resources management. Information sheet prepared by the Integrated Catchment Assessment and Management Centre, Australian National University. 25. Ravindranath, A., Devineni, N., Lall, U., Cook, E. R., Pederson, G., Martin, J., & Woodhouse, C. (2019). Streamflow Reconstruction in the Upper Missouri River Basin Using a Novel Bayesian Network Model. Water Resources Research, 55(9), 7694-7716. 26. Sadoddin, A., Letcher, R. A., Jakeman, A. J., & Newham, L. T. (2005). A Bayesian decision network approach for assessing the ecological impacts of salinity management. Mathematics and Computers in Simulation, 69(2), 162-176. 27. Salas, J. D. (1993). Analysis and modeling of hydrological time series. In: Handbook of Hydrology, Edited by David R, Maidment, McGraw-Hill, New York, 19, 1-19. 28. Wagena, M. B., Goering, D., Collick, A. S., Bock, E., Fuka, D. R., Buda, A., & Easton, Z. M. (2020). Comparison of short-term streamflow forecasting using stochastic time series, neural networks, process-based, and Bayesian models. Environmental Modelling & Software, 126, 104669. | ||
|
آمار تعداد مشاهده مقاله: 446 تعداد دریافت فایل اصل مقاله: 320 |
||