كليدواژه فارسي :
هوش مصنوعي , سيلاب , موجك , يادگيري ماشين , جريان رودخانه , شبكه عصبي مصنوعي
كليدواژه لاتين :
Artificial Intelligence , Flood , Wavelet , Machine Learning , River Flow , Artificial Neural Network
چكيده :
يكي از مهمترين خصوصيات سري زماني جريان رودخانه، ناايستا بودن روند سيگنال آن مي¬باشد. اين ناايستايي سري زماني تحت تأثير عوامل مؤثر بر جريان رودخانه، در بعضي از حوزه¬ها ساده و در برخي ديگر بسيار پيچيده مي¬باشد. به دليل محدوديت¬هاي موجود در مدل¬هاي يادگيري ماشين، پيش¬بيني جريان توسط اين مدل¬ها به ويژه در مواردي كه جريان تا حد زيادي ناايستا ¬باشد، ناكارآمد و دشوار است؛ اما با توجه به اهميت رودخانه¬ها به ويژه در مناطق خشك و نيمه¬خشك مانند ايران، توسعه مدل¬هاي يادگيري ماشين به منظور جلوگيري از عواقب ناشي از رخداد خشكسالي¬ها يا سيلاب ضروري مي¬باشد. در اين پژوهش كارايي شبكه عصبي پرسپترون چند لايه، شبكه عصبي پايه شعاعي و سيستم استنتاج فازي- عصبي در پيش¬بيني جريان رودخانه و همچنين اثر تبديل موجك بر مدل¬هاي مذكور در چهار حوزه با اقليم متفاوت شامل حوزه آبخيز سييرا، رود¬زرد، عجب¬شير و كارده به ترتيب واقع در استان¬هاي (البرز، خوزستان، آذربايجان شرقي و خراسان رضوي) با هدف تعميم¬دهي مدل¬هاي مبتني بر موجك به ساير مناطق سنجيده شد. به همين منظور با استفاده از 6 پارامتر اقليمي و پارامترهاي تأخيري بارش و دبي تا چهار ماه قبل، ابتدا با به¬كارگيري مدل¬هاي منفرد و فرآيند نرمال¬سازي، سپس با استفاده از تكنيك تبديل موجك و توسعه مدل¬هاي مذكور پيش¬بيني¬ها تا چهار گام زماني آينده صورت گرفت. در نهايت در راستاي انتخاب بهترين مدل و گام زماني نتايج هر شش مدل مورد مقايسه قرار داده شد. نتايج مدل¬هاي مورد استفاده بر اساس معيارهاي ارزيابي نشان داد كه عملكرد مدل¬هاي منفرد ضعيف و با همبستگي پايين همراه بوده است. بهترين مدل در سه حوزه عجب¬شير، كارده و رود¬زرد در هر چهار گام زماني، مدل W-MLP بوده است. در حوزه سييرا در گام زماني دو و چهار ماه آينده مدل W-MLP بهترين مدل بوده است؛ اما نتايج مدل¬هاي W-MLP و W-ANFIS در گام زماني يك و سه ماه آينده نزديك به هم بوده است كه از آزمون آنوا جهت تعيين بهترين مدل در اين حوزه استفاده گرديد. نتايج نشان داد كه مدل W-MLP با توجه به بيشترين ضريب همبستگي به ترتيب در گام زماني يك و سه ماه آينده با ميزان (94/0 و 80/0)، كمترين جذر ميانگين مربع خطا نرمال¬شده (06/0 و 10/0) و با داشتن كمترين مقداره آماره F(52/0 و 47/0) و بيشترين سطح معناداري (46/0 و 49/0) به عنوان بهترين مدل در اين حوزه شناخته شد. همچنين نتايج نشان داد كه در مد¬ل¬هاي منفرد دقت با افزايش گام زماني گاهاً افزايش پيداكرده است اما در مدلهاي تلفيقي مبتني بر موجك با افزايش گام زماني دقت كاهش و بهترين گام زماني، يك ماه آينده بوده است. بهطوركلي ارزيابي عملكرد مدل¬ها نشان داد كه تبديل موجك باعث بهبود عملكرد مدل¬هاي منفرد شده است و قابل تعميم به ساير مناطق مي¬باشد.
چكيده انگليسي :
One of the most important characteristics of river flow time series is the non- static
behavior of its signal trend. Due to being affected by contributing factors to the river flow,
this non-static behavior can be either simple or complex. Because of the limitations inherent
in machine learning models, flow prediction by these models, especially in cases where the
flow is largely unsustainable seems to be inefficient and difficult. However, considering the
importance of rivers, especially in arid and semi-arid regions such as Iran, the development
of machine learning models is necessary to prevent the adverse consequences of drought or
flood events. In this study, the efficiency of multilayer perceptron neural network, radial
based neural network and fuzzy-nave system in predicting river flow, as well as the effect of
wavelet transform on these models in four climatically different areas including Sierra area,
Rud-Zard, Ajbashir and Kardeh catchments located in the provinces of Alborz, Khuzestan,
East Azarbaijan and Khorasan Razavi, respectively, were determined with the aim of
generalizing wavelet-based models to other areas. Toward this aim, relying on six climatic
parameters and 4-month time lag precipitation and discharging parameters, individual
models, the normalization process and then the wavelet transform technique were developed
and employed to make predictions for four future time steps. Ultimately, to select the bestperforming model and time step, the results of all six models were compared with each other.
The results of the model evaluation showed that the performance of individual models was
weak with a low correlation coefficient. The W-MLP model outperformed the other models
in Ajabshir, Cardeh, and Rud-Zard catchments and in all four time steps. In Sierra, the WMLP was found as the best-performing model for two- and four-month predictions. However,
similar results were obtained from W-MLP and W-ANFIS models for the one- and threemonth predictions, and consequently, the ANOVA test was used to determine which one
performs better in this area. The results recognized W-MLP as the best-performing model in
this area due to obtaining the highest correlation coefficient for the one- and three-month
predictions, respectively, with r values of 94/0 and 80/0, the lowest normalized root mean of
error square of 06/0 and 10 / 0, the lowest-valued statistic F of 52/0 and 47/0, and the highest
level of significance of 46/0 and 49/0. Furthermore, the results showed that the accuracy of
most individual models was increased by rising the length of time spans, while it was
decreased for wavelet-based compilation models so that the highest performance was
recorded for one-month predictions. In general, the results of performance evaluation showed
that wavelet transformation improves the performance of individual models and can be
extrapolated to other areas.
