دانشگاه علوم کشاورزی و منابع طبیعی گرگان

 آمار

تعداد نشریات13
تعداد شماره‌ها626
تعداد مقالات6,517
تعداد مشاهده مقاله8,746,431
تعداد دریافت فایل اصل مقاله8,317,278
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). , 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)". , 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)', , 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). , 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)

مجله پژوهش‌های حفاظت آب و خاک
مقاله 19، دوره 25، شماره 2، خرداد و تیر 1397، صفحه 315-321    اصل مقاله (705.34 K)
نوع مقاله: مقاله کامل علمی پژوهشی
شناسه دیجیتال (DOI): 10.22069/jwsc.2018.12584.2728
نویسندگان
محمد جواد زینلی* 1؛ عباس خاشعی سیوکی2
1دانشجوی دانشگاه بیرجند
2دانشیار گروه مهندسی آب دانشگاه بیرجند
چکیده
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.
کلیدواژه‌ها
سری زمانی؛ شبکه عصبی؛ مدل بارش-رواناب؛ مدل‌های چند‌متغیره
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 KurdistanProvince. 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.

آمار
تعداد مشاهده مقاله: 516
تعداد دریافت فایل اصل مقاله: 499


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب