توسعه روش ترکیبی موجک-شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای مدلسازی چند ایستگاهه بارش-رواناب با استفاده از ابزارهای خوشه‌بندی و اطلاعات مشترک

نوع مقاله: مقاله علمی-پژوهشی

نویسندگان

1 دکترای سازه های هیدرولیکی دانشکده مهندسی عمران دانشگاه تبریز تبریز، ایران

2 گروه ههندسی آب، دانشکده فنی مهندسی عمران، دانشگاه تبریز، تبریز، ایران

3 کارشناسی ارشد مهندسی سازه، گروه مهندسی سازه، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران

4 گروه مهندسی آب، دانشکده فنی مهندسی عمران، دانشگاه تبریز، تبریز، ایران

چکیده

در این مقاله پیش بینی چند ایستگاهه رواناب با استفاده از تبدیل موجک و شبکه عصبی مصنوعی خودسازمانده و مدل های هوش مصنوعی در حوضه آبریز Little River Watershed (LRW) انجام گردید. بطوریکه سری های زمانی رواناب توسط تبدیل موجک تجزیه گشته و سپس زیرسری های تجزیه شده توسط شبکه عصبی مصنوعی خودسازمانده خوشه بندی گردید. در ادامه، معیار استخراج ویژگی (اطلاعات مشترک) برای انتخاب نماینده از هر خوشه جهت ورود به مدلهای هوش مصنوعی شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیش بینی رواناب خروجی حوضه آبریز LRW بکار گرفته شدند. مدلسازی چند ایستگاهه بارش-رواناب بر اساس خاصیت فصلی بودن انجام شده و با مدلسازی چند ایستگاهه بر اساس خاصیت مارکف مقایسه گردید. نتایج نشان داد که مدلهای هوش مصنوعی ترکیب شده با تبدیل موجک، شبکه عصبی مصنوعی خودسازمانده و اطلاعات مشترک توانایی پیش بینی رواناب چند ایستگاهه را نسبت به مدل های هوش مصنوعی که از خاصیت مارکف بهره می برند تا 23 درصد بهبود می بخشد. بطور کلی، استفاده از خاصیت فصلی بودن پدیده ها به همراه کاهش ابعاد ورودی ها، می تواند به مدل های هوش مصنوعی در جهت استفاده از اطلاعات خالص داده های مشاهداتی کمک کند.

کلیدواژه‌ها


1- Ghafari, G. A., and Vafakhah, M., 2013, Simulation of Rainfall-Runoff Process using Artificial Neural Network and Adaptive Neuro-Fuzzy Interface System (Case Study: Hajighoshan watershed), Journal of Watershed Management Research, 4(8), 120-136. (In Persian)

2- Pournemat Roudsari, A., Qaderi, K. and Karimi-Googhari, S., 2014, Rainfall Runoff Modeling using Group Method of Data Handling (GMDH) and Artificial Neural Network (ANN) in Polrood Basin, Journal of Watershed Management Research, 5(10), 68-84. (In Persian)

3- Kwin, C. T., Talei A., Alaghmand S. and Chua L. H. C., 2016, Rainfall-Runoff Modeling Using Dynamic Evolving Neural Fuzzy Inference System with Online Learning, Procedia Engineering 154, 1103-1109.

4- Chadalawada, J., Havlicek V. and Babovic V., 2016, Genetic Programming Based Approach Towards Understanding the Dynamics of Urban Rainfall-Runoff Process, Procedia Engineering, 154, 1093-1102.

5- Nourani, V., 2017, An Emotional ANN (EANN) Approach to Modeling Rainfall-Runoff Process, Journal of Hydrology, 544, 267-277.

6- Pournemat Roudsari, A., Khashei-Siuki A. and Karimi-Googhari, S., 2015, Daily Rainfall-Runoff Modeling with Least Square Support Vector Machine (LS-SVM), Journal of Water and Soil Conservation, 21(6), 293-304. (In Persian)

7- Haghizadeh, A., Mohammadlou, M. and Noori F., 2015, Simulation of Rainfall-Runoff Process Using Multilayer Perceptron and Adaptive Neuro-Fuzzy Interface System and Multiple Regression (Case Study: Khorramabd Watershed), Iranian Journal of Eco Hydrology, 2(2), 233-243. (In Persian)

8- Gizaw, M. S. and Gan, T. Y., 2016, Regional Flood Frequency Analysis Using Support Vector Regression under Historical and Future Climate, Journal of Hydrology, 538, 387-398.

9- Hosseini, S. M. and Mahjouri, N., 2016, Integrating Support Vector Regression and A Geomorphologic Artificial Neural Network For Daily Rainfall-Runoff Modeling, Journal of Hydrology, 38, 329-345.

10- Nourani, V., Baghanam, A. H., Adamowski, J. and Kisi, O., 2014, Applications of Hybrid Wavelet–Artificial Intelligence Models in Hydrology: A Review, Journal of Hydrology, 514, 358-377.

11- Nourani, V. and Andalib, G., 2015, Daily and Monthly Suspended Sediment Load Predictions Using Wavelet Based Artificial Intelligence Approaches, Journal of Mountain Science, 12(1), 85-100.

12- Nourani, V. and Parhizkar, M., 2013, Conjunction of SOM-Based Feature Extraction Method and Hybrid Wavelet-ANN Approach for Rainfall–Runoff Modeling, Journal of Hydroinformatics, 15, 829-848.

13- Chang, F. J., Chang, L. C., Huang, C. W. and Kao, I. F., 2016, Prediction of Monthly Regional Groundwater Levels Through Hybrid Soft-Computing Techniques, Journal of Hydrology, 541, 965-976.

14- Nourani, V., Khanghah, T. R. and Baghanam, A. H., 2015, Application of entropy concept for input selection of Wavelet-ANN based rainfall-runoff modeling, Journal of Environmental Informatics, 26, 52-70.

15- Nourani, V. and Komasi, M., 2013, A Geomorphology-Based ANFIS Model for Multi-Station Modeling of Rainfall–Runoff Process, Journal of Hydrology, 490, 41-55.

16- Lee, W. K. and Resdi, T. A. T., 2016, Simultaneous Hydrological Prediction at Multiple Gauging Stations Using the NARX Network for Kemaman Catchment, Terengganu, Malaysia, Hydrological Sciences Journal, 61, 2930-2945.

17- Bosch, D. D., Sullivan, D. G. and Sheridan, J. M., 2006, Hydrologic Impacts of land-use Changes in Coastal Plain Watersheds. Transactions of the ASABE, 49(2), 423-432.

18- Mallat, S. G., 1998, A Wavelet Tour of Signal Processing, second edition Academic Press, San Diego.

19- Shannon, C. E., 1948, A mathematical theory of communications I and II, Bell System Technical Journal, 27, 379-443.

20- Yang, H. H., Vuuren, S. V., Sharma, S. and Hermansky, H., 2000, Relevance of Time-Frequency Features For Phonetic and Speaker-Channel Classification, Speech Communication, 31, 35-50.

21- Kohonen, T., 1997, Self-Organizing Maps, Springer-Verlag, Berlin, Heidelberg.

22- Kim, T. and Valdes, J. B., 2003, Nonlinear Model for Drought Forecasting Based on a Conjunction of Wavelet Transforms and Neural Networks, Journal of Hydrologic Engineering, 6, 319-328.

23- Suykens, J. A. K. and Vandewalle, J., 1999, Least Square Support Vector Machine Classifiers, Neural Processing Letters, 9 (3), 293-300.

24- Price, K., Jackson, C. R. and Parker, A. J., 2010, Variation of Surficial Soil Hydraulic Properties Across Land Uses In The Southern Blue Ridge Mountains, North Carolina, USA, Journal of Hydrology, 383, 256-268.