مدل‌سازی رابطه دبی_اشل در رودخانه با استفاده از روش شبکه‌های عصبی مصنوعی(ANN) و روش کنترل گروهی داده‌ها(GMDH)(مطالعه موردی: رودخانه اسکویلکیل)

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 دانشگاه شهید با هنر کرمان

2 دانشگاه شهید باهنر کرمان

چکیده

پیش‌بینی جریان در رودخانه‌ها، یکی از مهم‌ترین مولفه‌های فرآیندهای هیدرولیکی و هیدرولوژیکی در مدیریت منابع آب می‌باشد. به منظور کاربردهای هیدرولوژیکی گوناگون نظیر تجزیه ‌و‌تحلیل بیلان آب و رسوب و همچنین پروژه‌های کنترل و بهره‌برداری از مخازن، وجود اطلاعات دقیقی از شرایط دبی جریان در رودخانه بسیار مهم می‌باشد. از این رو هیدرولوژیست‌ها از داده‌های تاریخی جهت ایجاد یک رابطه میان دبی جریان و تراز سطح آب استفاده می‌کنند که از این رابطه تحت عنوان رابطه دبی- اشل یا منحنی سنجه (RC) یاد می‌شود. با پیشرفت‌های اخیر در زمینه هوش مصنوعی و محاسبات نرم در مطالعات منابع آب، استفاده از این روش‌ها می‌تواند گزینه مناسبی جهت مدل‌سازی فرآیندهای هیدرولیکی و هیدرولوژیکی باشد. در این تحقیق، مدلی بر اساس روش کنترل گروهی داده‌ها (GMDH) که یک رویکرد مدل‌سازی خود سازمانده مبتنی بر داده است، جهت مدل‌سازی رابطه دبی- اشل درایستگاه هیدرومتری فیلادلفیا روی رودخانه اسکویلکیل (Schuylkill) واقع در ایالت متحده آمریکا توسعه داده شده است. 12 مدل مختلف بر اساس ترکیبات مختلف متغیرهای ورودی از جریان و اشل با دو تابع هدف غیرخطی درجه اول و درجه دوم مورد استفاده قرار گرفته است. بررسی کارایی مدل‌ها با استفاده از معیارهای آماری RMSE، MPRE و ضریب NASH انجام شده است. مقادیر معیارهای آماری به دست آمده از این مدل‌سازی در دوره آزمون مدل نشان می‌دهد که مدلی با مقادیر MSE،MPRE و ضریب NASH به ترتیب برابر با 8/15، 303/0 و 999/0 به عنوان بهترین مدل دبی- اشل در این رودخانه انتخاب می‌گردد.

کلیدواژه‌ها


عنوان مقاله [English]

Stage-Discharge Relationship Modeling in River Using Artificial Neural Network (ANN) and Group Method of Data Handling (GMDH) Methods (Case study: Schuylkill River)

نویسنده [English]

  • maryam hosein zadeh 1
1
2
چکیده [English]

River flow forecasting in rivers, is one of the most important components of hydraulic and hydrological processes in water resource management. For various hydrological applications such as water and sediment budget analysis, operation and control of water resources projects, the accurate information about flow value in rivers is very important. For this reason hydrologists use historical data to establish a function relationship between water level and discharge which is known stage-discharge relation or rating curve (RC). With the recent advancements in artificial intelligence and soft computing in water resource studies, there is a choice of better techniques to modeling hydraulic and hydrological processes. This paper describes the use of the Group Method of Data Handling (GMDH) that is a self organization modeling approach base on data, for stage-discharge relationship modeling at Philadelphia station in Schuylkill River, USA. 12 Different input combinations including the previous stages and discharges with 2 kind of active function are used. The accuracy of model was evaluated using Root Mean Square Error (RMSE), Mean Percent Relative Error (MPRE) and Nash–Sutcliffe model efficiency coefficient (NASH). The values of statistical parameters RMSE, MPRE and NASH for the best model of stage- discharge relationship in this river in validation period are 15.8, 0.303 and 0.999 respectively.

کلیدواژه‌ها [English]

  • data driven methods
  • Stage-discharge relationship
  • Modeling
  • ANN
  • GMDH
1.Bhattacharya, B., and Solomatine, D.P. 2000. Application of Artificial Neural Network in Stage-Discharge Relationship. 4th International Conference on Hydroinformatics, Iowa City, USA.
2.Bhola, N.S., and Reddy, M. 2010. Development of Stage Discharge Relationship in river using Genetic Algorithm and Model Tree. International Workshop Advances in statistical hydrology, Taormina, Italy.
3.Bisht, D.C.S., Raju, M.M., and Joshi, M.C. 2010. ANN Based River Stage-Discharge Modeling for GODAVARI river, INDIA. Computer Modeling and New Technologies, 14: 3. 48-62.
4.Goel, A., and Pal, M. 2012. Stage-Discharge Modeling Using Support Vector Machine. Department of Civil Engineering, 25: 1.
5.Guven, A., and Aytek, A. 2009. New approach for stage-discharge relationship:
Gene-expression programming. J. Hydrol. Engin. 14: 8. 812-820.
6.Hwang, H.S. 2006. Fuzzy GMDH-type Neural Network model and itsApplication to Forecasting of Mobile Communication. Computers and Industrial Engineering. 50: 450-457 .
7.Ivakhnenko, A.G. 1988. Sorting Methods for Modeling and Cauterization Survey of the GMDH Papers for the Years 1983-1988. The present of Stage of GMDH Development: Soviet J. Auto. Inf. Sci. c/c Avtomatika. 21: 4. 1-13.
8.Jain, S., and Chalisgonkar, D. 2000. Setting up Stage-Discharge Relations Using ANN. J. Hydrol. Engin. 5: 4. 428-433.
9.Sumsudin, R., Ismail, S., and Shabri, A. 2010. River Flow Forecasting: A Hybrid Model of Self Organizing Maps and Least Square Suport Vector Machine. Hydrol. Earth Syst. Sci. Dis. 7: 8179-8212.