برآورد جریان ماهانه در حوضه‌های فاقد آمار با استفاده از پارامترهای اقلیمی و فیزیوگرافی حوضه

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 عضو هیأت علمی دانشگاه

2 دانشجوی کارشناسی ارشد

3 دانشگاه علوم کشاورزی و منابع طبیعی گرگان

چکیده

چکیده
چکیده
سابقه و هدف: برآورد دبی در حوضه‌های آبریز با داده‌های آماری محدود، همواره مورد توجه پژوهش‌گران خصوصاً در کشور‌های در حال توسعه می‌باشد. در بسیاری از موارد، داده‌های مشاهداتی دبی یا در دسترس نبوده و یا از لحاظ کیفیت و کمیَت کافی نیستند. این عامل طرح‌های مدیریت منابع آب را با مشکل روبه‌رو می‌سازد. بنابراین روش‌هایی که به کمک آن‌ها بتوان میزان آبدهی رودخانه در حوضه‌های بدون آمار یا دارای آمار ناقص را تخمین زد، از اهمیت قابل توجهی برخوردار می‌گردد. بدین منظور روش‌های متعددی از جمله مدل‌های آماری، سری‌های زمانی و مدل‌های هوشمند توسعه یافته‌اند که در این میان می‌توان به مدل درخت تصمیم اشاره کرد که با تولید قانون‌های ساده، رفتار غیر خطی داده‌ها را مدل‌سازی می‌کند. هدف از این پژوهش‌، ارزیابی روش‌های رگرسیون چند متغیره و مدل درخت تصمیم (M5) به منظور برآورد جریان ماهانه در حوضه‌های فاقد آمار استان گلستان می‌باشد.

مواد و روش‌ها: در این پژوهش استان گلستان که از زیرحوضه‌هایی متعددی با مشخصات متنوعی برخوردار است به عنوان منطقه مطالعاتی در نظر گرفته شد. پس از استخراج مشخصات فیزیوگرافی حوضه‌های آبریز، میانگین ماهانه پارامترهای اقلیمی دما و بارش نیز پس از درون‌یابی در محیط GIS برای هر یک از زیر حوضه‌ها و در هر یک از ماه‌های سال‌های 1390-1363 برآورد گردیدند. پارامترهای اقلیمی (متوسط بارش و دمای ماهانه) و مشخصات فیزیوگرافی (12پارامتر) به عنوان متغیر مستقل وارد مدل رگرسیون چند متغیره و رگرسیون درختیM5 شدند. معیار ارزیابی در این پژوهش، ریشه دوم میانگین مربعات خطا (RMSE)، ضریب تعیین (R2) و میانگین خطای اریب (MBE) می‌باشد.

یافته‌ها: با توجه به نتایج به‌دست آمده از مدل رگرسیون چند متغیره و مدل درخت تصمیم، برآورد جریان در ماه‌های پربارش سال نسبت به ماه‌های کم بارش از دقت بالاتری برخوردار است بطوری که در روش رگرسیون درختی بهترین برآورد جریان رودخانه در ماه اسفند با ضریب تعیین برابر 864/0، ریشه میانگین مربعات خطای برابر 002/1 و میانگین خطای اریب برابر 026/0به دست آمد و کم دقت‌ترین برآورد جریان مربوط به ماه مرداد با ضریب تعیین برابر 326/0، ریشه میانگین مربعات خطا برابر 635/0 و میانگین خطای اریب برابر با 000/0 محاسبه گردید. هم‌چنین در روش رگرسیون چند متغیره نیز ماه اسفند با ضریب تعیین 522/0، ریشه میانگین مربعات خطا 043/2 و میانگین خطای اریب 153/0 بهترین حالت از جریان ماهانه را برآورد نمود و پایین‌ترین دقت حاصل از این روش به ماه مرداد با ضریب تعیین 103/0، ریشه میانگین مربعات خطا 979/1 و میانگین خطای اریب برابر 020/0 اختصاص پیدا میکند. با توجه به محاسبات مدل درخت تصمیم نسبت به رگرسیون چند متغیره در تمام ماههای سال نتایج بهتری داشته است.

نتیجه‌گیری: نتایج این پژوهش حاکی از آن است که تخمین دبی ماهانه در ماه‌های پر بارش سال به کمک مدل‌های رگرسیون چند متغیره و رگرسیون درختی M5 امکان پذیر است اما در ماه‌های خشک سال به دلیل رگباری بودن و پراکندگی زیاد بارش در سطح حوضه و خطا در پهنه‌بندی و درون‌یابی بارش نتایج خوبی به دست نمی‌آید. نتایج ارزیابی‌ها نشان داد که مدل درخت تصمیم دارای دقت بالاتر از مدل رگرسیون چند متغیره برای تخمین دبی رودخانه می‌باشد. زیرا این روش دارای بیش‌ترین دقت و کمترین خطا بود. با توجه به معیارهای ارزیابی مدل درخت تصمیم برای ماه‌های پرباران دارای ضریب همبستگی بیشتری نسبت به ماه‌های کم باران می‌باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of monthly discharge using climatological and physiographic parametesr of ungauged basin

نویسندگان [English]

  • khalil ghorbani 1
  • Meysam Salarijazi 3
1 Faculty Member
2
3
چکیده [English]

Estimation of monthly discharge using climatic and physiographic parameters of ungauged basins
Abstract
Estimation of monthly discharge using climatic and physiographic parameters of ungauged basins
Background and Objectives:
Discharge estimation in watersheds with limited statistical data is of interest of researchers especially in developing countries. In many cases, recorded discharges are not available or insufficient in terms of quality and quantity that lead to problems for water resources management plans. Therefore, methods to predict the river discharges in ungauged or with limited recorded data have considerable importance. Various methods including statistical models, time series and expert models have been developed for discharge estimation. The decision tree model is one of expert models that model the nonlinear behavior of data using simple rules production. The objective of this study is evaluation of multivariate regression and decision tree model (M5) to estimate monthly discharge in ungauged watersheds in Golestan Province.
Materials and Methods:
In this study, the Golestan province that includes various watersheds with different characteristics was considered. The physiographic characteristics of studied watershed were extracted and rainfall and temperature climatic parameters were estimated in monthly time scale in GIS environment for the period 1981-2011. The climatic and physiographic parameters were considered as input to multivariate regression and decision trees M5 models and root mean square error (RMSE) and correlation coefficient (R) applied for models evaluation.
Results:
According to the results of multiple regression and decision tree models, discharge estimations in wet months were more accurate than dry months. In application of decision tree model the best prediction belonging to March with R=0.93 and RMSE=1.002 while worst prediction was for August with R=0.571 and RMSE=0.635. Moreover, multivariate regression model led to best results in March with R=0.723 and RMSE=2.043 and low accurate prediction in August with R=0.322 and RMSE=1.979. The results of decision tree model were better than multivariate regression model in all months based in calculations.

Conclusion:
The results of this study showed that the discharge estimation using multivariate regression and decision tree M5 models in wet months are applicable but in dry months predictions are not accurate because of high rainfall variations, storm patterns and error in rainfall zoning and interpolation. The results indicated that the decision tree model had more accurate results than multivariate regression model considering higher precision and lower error. The decision tree model had higher correlation coefficient with respect to model evaluation criteria.
Keywords: River Discharge, Ungauged Basins, M5 Decision Tree Model, Multivariate Regression

کلیدواژه‌ها [English]

  • discharge river basins have ungauged
  • M5 decision tree models
  • multivariate regression
1.Ayoubloo, M.K., Etemad Shahidi, A., and Mahjoobi, J. 2010. Evaluation of regular
wave scour around  a circular pile using data mining approaches. Applied Ocean Research. 32: 1. 34-39.
2.Azmi, M., and Araghinejad, Sh. 2012. Development of K-Nearest Neighbour Regression Method in Forecasting River Stream Flow. J. Water Wastewater. 23: 82. 108-119.
(In Persian) 
3.Bhattacharya, B., Price, R.K., and Solomatine, D.P. 2007. Machine learning approach to modeling  sediment transport. J. Hydr. Engin. 133: 4. 440-450.
4.Chen, J.C., Ning, S.K., Chen, H.W., and Shu, C.S. 2008. Flooding probability of urban area estimated by decision tree and artificial neural networks, J. Hydroinf. 10: 1. 57-67.
5.Cheng, C.C., Hsu, N.S., and Wei, C.C. 2008. Decisiontree analysis on optimal release of reservoir storage under typhoon warnings. Natural Hazards. 44: 1. 65-84.
6.Danandehmehr, A., and Majdzadeh Tabatabai, M.R. 2010. I Prediction of Daily Discharge Trend of River Flow Based on Genetic Programming. J. Water Soil. 24: 2. 325-333.
(In Persian)
7.Dastourani, M.T., Habibipoor, A., Ekhtesasi, M.R., Talebi, A., and Mahjoobi, J. 2012. Evaluation of the Decision Tree Model in Precipitation Prediction (Case study: Yazd Synoptic Station). Iran-Water Resources Research. 3: 14-27. (In Persian)
8.Davoodi Rad, A.A. 2006. Calibration empirical equations of mathematical models to estimate runoff and compared them with runoff. The second conference Water Resources Management. Pp: 1-8. (In Persian)
9.Ebrahimi Mohammadi, Sh., and Bashari, M. 2010. Modelling and forecasting monthly Discharg. 2rd national conference on combating desertification and sustainable development of Iran Desert Wetlands (Case study: Gharehsoo River). 22: 1. 1-7. (In Persian)
10.Geissen, V., Kampichler, C., Lopez-de Llergo, J.J., and Galindo-Acantara, A. 2007. Superficial and subterranean soil erosion in Tabasco, tropical Mexico: development of a decision tree modeling approach. Geoderma. 139: 277-287.
11.Khedmati, H., Manshouri, M., Heydarizadeh, M., and Sedghi, H. 2010. Zonation and Estimation of Flood Discharge in Unguaged Sites Located in South-East Basins of Iran Using a Combination of Flood Index and Multi-Variable Regression Methods (Sistan and Baluchistan, Kerman, Yazd and Hormozgan Provinces). J. Water Soil. 24: 3. 593-609.
(In Persian) 
12.Kocev, D., Saso, D., White, M.D., Newell, G.R., and Griffioen P. 2009. Using single and multi-target regression trees and ensembles to model a compound index of vegetation condition. Ecological Modeling. 220: 8. 1159-1168.
13.Khazaei, M., and Mirzaei, M.R. 2013. Comparison prediction performance of monthly discharge using ANN and time series. J. Water. Engin. Manage. 5: 2. 74-84. (In Persian)
14.Mahesh, P., and Mather, P.M. 2003. An assessment of the effectiveness of decision tree methods for land cover classification. Remote Sensing of Environment. 86: 4. 554-565.
15.Mohammadi, A.A., and Ahmadi, H. 2011. Presentation of a model for estimation of instanteouse peak flow in ungauged basins based on instantaneouse geomorphologic, Snyder, SCS and triangular unit hydrographs. Quar. J. Physic. Geograph. Lar. 4: 13. 37-48. (In Persian)
16.Negaresh, H., Tavousi, T., and Mahdavi Nasab, M. 2014. Modeling the Production of Runoff in Kashkan River Catchment Based on the Statistical Methods. J. Urban Ecol. 3: 6. 81-92.
(In Persian)
17.Quinlan, J.R. 1992. Learning with continuous classes. Proceedings of 5th Australian Joint Conference on Artificial Intelligence, Singapore. Pp: 343-348.
18.Rusjan, S., and Micos, M. 2008. Assessment of hydrological and seasonal controls over the nitrate flushing from a forested watershed using a data mining technique. Hydrol. Earth Syst. Sci. 12: 645-656.
19.Taghi Sattari, M., Anli, A.S., Apaydin, H., and Kodal, S. 2012. Decision tree to determine the possible drought periods in Ankara. 25: 1. 65-83.
20.Witten, I.H., and Frank, E. 2005. Data mining: practical machine learning tools and techniques wit Java implementations. Morgan Kaufmann: San Francisco. 664p.
21.Zarei, M.M., Dastourani, M.T., and Mesdaghi, M. 2015. Rainfall-runoff modeling using neural network models and comparison with the decision tree model. The first national conference of passive defense in agriculture, natural resources and the environment with sustainable development approach. Pp: 1-8. (In Persian)