زینلی, محمد جواد, خاشعی سیوکی, عباس. (1397). ارزیابی دقت مدل‌های هم‌زمان سری زمانی و شبکه عصبی در مدل‌سازی بارش-رواناب (مطالعه موردی: حوضه آبریز نازلو چای). مجله پژوهش‌های حفاظت آب و خاک, 25(2), 315-321. doi: 10.22069/jwsc.2018.12584.2728
محمد جواد زینلی; عباس خاشعی سیوکی. "ارزیابی دقت مدل‌های هم‌زمان سری زمانی و شبکه عصبی در مدل‌سازی بارش-رواناب (مطالعه موردی: حوضه آبریز نازلو چای)". مجله پژوهش‌های حفاظت آب و خاک, 25, 2, 1397, 315-321. doi: 10.22069/jwsc.2018.12584.2728
زینلی, محمد جواد, خاشعی سیوکی, عباس. (1397). 'ارزیابی دقت مدل‌های هم‌زمان سری زمانی و شبکه عصبی در مدل‌سازی بارش-رواناب (مطالعه موردی: حوضه آبریز نازلو چای)', مجله پژوهش‌های حفاظت آب و خاک, 25(2), pp. 315-321. doi: 10.22069/jwsc.2018.12584.2728
زینلی, محمد جواد, خاشعی سیوکی, عباس. ارزیابی دقت مدل‌های هم‌زمان سری زمانی و شبکه عصبی در مدل‌سازی بارش-رواناب (مطالعه موردی: حوضه آبریز نازلو چای). مجله پژوهش‌های حفاظت آب و خاک, 1397; 25(2): 315-321. doi: 10.22069/jwsc.2018.12584.2728
ارزیابی دقت مدل‌های هم‌زمان سری زمانی و شبکه عصبی در مدل‌سازی بارش-رواناب (مطالعه موردی: حوضه آبریز نازلو چای)
سابقه و هدف: مدل‌سازی بارش-رواناب یک فرآیند ضروری و پیچیده می‌باشد که در بهره‌برداری مناسب از مخازن و مدیریت و برنامه ریزی صحیح منابع آب نقش عمده‌ای دارد. مدل‌سازی این فرآیند با استفاده از روش‌های مختلفی امکانپذیر است. ازنظر تئوری، در مدل‌سازی یک سیستم می‌بایست روابط صریح بین متغیرهای ورودی و خروجی معلوم باشند. در حالیکه به علت معلوم نبودن روابط صریح بین متغیرها و عدم قطعیت‌های ذاتی آن‌ها، استخراج چنین مدلی بسیار مشکل می‌باشد. برای مدل‌سازی بارش-رواناب تا کنون کارایی مدل‌هایی نظیر شبکه عصبی، مدل-های چند‌متغیره خود همبسته با میانگین متحرک مورد بررسی قرار گرفته است لذا در این تحقیق میزان دقت مدل-های CARMA و ANN در مدل‌سازی بارش-رواناب مورد بررسی قرار گرفته است. مواد و روش‌ها: در این مطالعه، مدل‌های چند‌متغیره خود همبسته با میانگین متحرک هم‌زمان (CARMA) و شبکه عصبی مصنوعی جهت مدل‌سازی بارش-رواناب مورد ارزیابی قرار گرفتند. برای مدل ANN سه سناریو در نظر گرفته شد. جهت استفاده از مدل‌های فوق، از سری زمانی مجموع بارش و رواناب ماهانه در دوره آماری (1394-1353) مربوط به حوضه آبریز نازلو چای واقع در ´49 °44 طول جغرافیایی و ´40 °37 عرض جغرافیایی واقع در استان آذربایجان غربی استفاده شد. در ابتدا، داده‌ها ازنظر تصادفی بودن، روند و همگنی، به ترتیب با استفاده از آزمون‌های ران-تست، من-کندال و ویلکاکسون مورد بررسی قرار گرفتند و پس از آن داده‌ها به دو گروه تقسیم شدند. 80 درصد داده‌ها به آموزش مدل و 20 درصد از داده‌ها به آزمون مدل اختصاص داده شد. معیارهای عملکرد به کار برده شده نیز معیارهای ریشه میانگین مربعات خطا، نش-ساتکلیف و ضریب همبستگی بوده است. یافته‌ها: نتایج نشان داد که مدل CARMA دقت به‌مراتب مناسب‌تری نسبت به مدل ANN داشته است به‌طوری‌که معیار ریشه میانگین مربعات خطا در مدل CARMA برابر با 7/7 و در مدل ANN برابر با 50/9 متر مکعب بر ثانیه بود. همچنین معیارهای نش-ساتکلیف و R2 در مدل CARMA به ترتیب برابر با 41/0 و 54/0 در حالی که مقادیر این معیارها در مدل ANN برابر با 45/0 و 80/0 بوده است. لذا مدل CARMA برای مدل‌سازی بارش-رواناب از دقت بیشتری نسبت به مدل ANN برخوردار بوده است. نتیجه‌گیری: بر اساس نتایج حاصل از این تحقیق، استفاده از مدل‌های چند‌متغیره خانواده ARMA سبب کاهش میزان خطای مدل به‌میزان 18 درصد نسبت به مدل ANN شده است لذا مدل CARMA نسبت به مدل ANN از عملکرد مناسب‌تری برخوردار بوده است و این موضوع اهمیت در نظر گرفتن جزء تصادفی در مدل‌سازی را نشان می‌دهد.
Assessing the Accuracy of Contemporaneous Time Series and Neural Network Models in Modeling Rainfall-Runoff (Case Study: Nazloochaei Catchment)
نویسندگان [English]
Abbas Khashei-Siuki2؛
2Associate Professor Department of Water Engineering College of Agriculture University of Birjand
چکیده [English]
Background and Objectives: Rainfall-runoff modeling is an essential process and very complicated phenomena that is necessary for proper reservoir system operation and successful water resources planning and management. There are different methods like conceptual and numerical methods for modeling of this process. Theoretically, a system modeling required explicit mathematical relationships between inputs and outputs variables. Developing such explicit model is very difficult because of unknown relationship between variables and substantial uncertainty of variables. So far performance models such as neural networks, multivariate models with auto moving average is studied for modeling the rainfall-runoff. So, in this study CARMA and ANN models studied in rainfall-runoff modeling. Materials and Methods: In this research, the multivariate contemporaneous autoregressive moving average (CARMA) models and artificial neural networks (ANN) were evaluated to rainfall-runoff modeling. we define 3 scenario for ANN model. In order to use CARMA and ANN models total annual precipitation and runoff time series in the period of 1975-2015 as for Nazloochaei the catchment area, in 44° 49 ' in latitude and 37° 40 ' longitude in the province of West Azerbaijan was used. At first, we checked the data in terms of randomness, trend and Homogeneity by run test, Mann-Kendall test and Wilcoxon test. And then we separated data in two group. One group including 80 presents of data for training and 20 percent of data for validation was assigned. Performance criteria that used, was root mean square error, Nash-Sutcliffe and correlation coefficient. Performance criteria that used, was root mean square error, Nash-Sutcliffe and correlation coefficient. Results: The results of this research indicated that the CARMA model had the efficiency accuracy more than ANN model, because root mean square error in CARMA model was equal 7.7 and that was in ANN model 9.50 m3/s. Also, CARMA model according to the Nash-Sutcliffe criteria and R2 equal to 0.41 and 0.54 had better performance than the ANN model. However, the value of these performance criteria in ANN model was equal 0.45 and 0.80. So CARMA model has more Accuracy than ANN model in rainfall-runoff modeling. Conclusion: According to the obtained results, using multivariate ARMA models caused to decrease in model error up to 18 percentages. So CARMA model had suitable performance in compare with ANN model, and this subject show the importance of to consider Random component in modeling. So CARMA model had suitable performance in compare with ANN model, and this subject show the importance of to consider Random component in modeling.
کلیدواژه‌ها [English]
Artificial neural networks, Multivariate models, Rainfall-runoff modeling, Time series
مراجع
1.Firat, M. 2008. Comparison of artificial intelligence techniques for river flow forecasting. Hydrology and Earth System Sciences Discussions. 12: 1. 123-39. 2.Khalili, K., and Nazeri Tahroudi, M. 2016. Performance evaluation of ARMA and CARMA models in modeling annual precipitation of Urmia synoptic station. J. Water Soil Sci. 26: 2-1. 13-28. (In Persian) 3.Moeeni, H., Bonakdari, H., Fatemi, S.E., and Ebtehaj, E. 2016. Modeling the monthly inflow to Jamishan dam reservoir using autoregressive integrated moving average and adaptive neuro-fuzzy inference system models. J. Water Soil Sci. 26: 2-1. 273-285. (In Persian) 4.Mohammadrezapour, O., and Zeynali, M.J. 2014. Comparison of ant colony, elite ant system and maximum – minimum ant system algorithms for optimizing coefficients of sediment rating curve (Case study: Sistan river). J. Appl. Hydrol. 1: 2. 55-66. 5.Nawaz, N., Harun, S., and Talei, A. 2015. Application of adaptive network-based fuzzy inference system (ANFIS) for river stage prediction in a tropical catchment. Applied mechanics and materials. Trans Tech Publisher, Switzerland. 735: 195-199. 6.Nazeri Tahroudi, M., Ahmadi, F., and Nazeri Tahroudim, Z. 2013. SAMS2007 software application in modeling the future climate to predict, temperature and rainfall of Kurdistan province (Case study: synoptic station in Sanandaj). 1th Semi-Arid Hydrology National Conference in Kurdistan Province. August 25. Sanandaj. (In Persian) 7.Salas, J.D. 1980. Applied modeling of hydrologic time series. Water Resources Publication. 8.Zou, P., Jingsong, Y., Jianrong, F., Guangming, L., and Dongshun, L. 2010. Artificial neural network and time series models for predicting soil salt and water content. J. Agric. Water Manage. 97: 2009-2019.
ابتدای صفحه