پیش‌بینی جریان با استفاده از مدل ماشین بردار پشتیبان بر مبنای سری های زمانی دبی و بارش در ایستگاه‌های بالادست (مطالعه موردی : ایستگاه هیدرومتری تله زنگ)

نوع مقاله: مقاله کامپیوتر

نویسندگان

1 گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا همدان، ایران

2 گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا همدان، ایران

چکیده

در این پژوهش به منظور پیش‌بینی دبی ماهانه ایستگاه هیدرومتری تله زنگ از مدل ماشین بردار پشتیبان (svm) و آمار 10 ایستگاه هیدرومتری و 8 ایستگاه باران‌سنجی بالادست آن در طول یک دوره آماری 20 ساله (1371-1390) استفاده شد. لذا در اولین گام تاثیر استفاده از سری‌های زمانی دبی، بارش و ترکیبی از این دو پارامتر به عنوان ورودی و در گام بعد تاثیر تعداد ایستگاه‌های هیدرومتری و باران‌سنجی بالادست بر نتایج پیش‌بینی، مورد بررسی قرار گرفت. مقایسه نتایج به کمک سه شاخص آماری ضریب همبستگی (R2)، جذر میانگین مربعات خطا (RMSE) و خطای استاندارد (SE) صورت گرفت و نتایج نشان داد که استفاده از آمار بارندگی در کنار دبی، به عنوان ورودی مدل، با ضریب همبستگی 884/. جذر میانگین مربعات خطا 41/38 و خطای استاندارد 28/0 نسبت به استفاده از آمار دبی، به عنوان ورودی مدل، با ضریب همبستگی 871/. جذر میانگین مربعات خطا 20/40 و خطای استاندارد 29/0 دقت پیش‌بینی را بالا برده و استفاده از سری زمانی بارندگی به تنهایی، با ضریب همبستگی 225/. جذر میانگین مربعات خطا 73/157 و خطای استاندارد 62/0 به شدت باعث افزایش خطا در نتایج خواهد شد. همچنین با افزایش تعداد ایستگاه‌های هیدرومتری و باران‌سنجی در بالادست مدل قادر خواهد بود دبی را با دقت بیشتری پیش‌بینی نماید.

کلیدواژه‌ها


عنوان مقاله [English]

Stream Flow Prediction Using Support Vector Machine Based on Discharge and Precipitation Time series on Upstream Stations (Case Study: Taleh Zang Hydrometric Station)

نویسندگان [English]

  • Hamed Nozari 1
  • fateme tavakoli 2
1 Water Engineering Department, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran
2 Water Resources Engineering Department, Faculty of Agriculture, Bu-Ali Sina University, Hamedan
چکیده [English]

In this research, the support vector machine model was used to predict the Taleh Zang stream flow base on the data from 10 hydrometric and 8 rainfall stations upstream of the watershed in 20 years (1992-2011). To this aim and in the first step, influence of applying flow rate time series, rainfall, and a combination of these two parameters as an input; and in the next step, influence of number of upstream hydrometric and rainfall stations on forecast results were examined. The results were compared by using three statistical indicators: correlation coefficient (R2), Root-Mean-Square Error (RMSE), and standard Error (SE). The results showed that, using rainfall statistics along with the stream flow as an input to the model with R2of 0.884, RMSE of 38.41, and SE of 0.28 in comparison to the stream flow statistics as an input to the model with R2 of 0.871, RMSE of 40.20, and SE of 0.29 will improve accuracy of the forecast. Whereas, only application of rainfall time series with correlation coefficient of 0.225, RMSE of 157.73 and SE of 0.62 greatly increases error values in the results. Moreover, through increase of number of upstream hydrometric and rainfall stations, the model would be capable of forecasting stream flow with more accuracy.

کلیدواژه‌ها [English]

  • Hydrometric stations
  • Stream flow forecasting
  • SVM (support vector machine)
1[ مرتضایی، ع ر.، خیرالدین، ع. (1391) مدل‌‌سازی و تخمین طول مفصل پلاستیک ستون های بتن‌آرمه به کمک شبکه‌های عصبی مصنوعی، مجله مدل‌سازی در مهندسی، سال10، شماره 29، صفحه 1تا 17.

]2[ باقرپور، ح. (1393) شبیه‌سازی فرآیند تولید سوخت بیودیزل حاصل از روغن‌های پسماند با استفاده از شبکه عصبی، مجله مدل‌سازی در مهندسی، سال 12 ، شماره 39، صفحه 143تا 149.

]3[ شفیعی نیک آبادی، م.، عظیمی، ع. (1394) پیش‌بینی تقاضا در زنجیره تامین با استفاده از الگوریتم‌های یادگیری ماشین، مجله مدل‌سازی در مهندسی، سال13، شماره 41، صفحه 127تا 136.

]4[ نظری، ع. (1395) مدل‌سازی انرژی ضربه ی فولادهای مرتبه‌ای با استفاده از شبکه‌های عصبی مصنوعی ، مجله مدل‌سازی در مهندسی، سال 14 ، شماره 45، صفحه 145تا 162.

]5[ شریفی، م.، شهریاری، ب.، باقری، ا. (1391) مدل سازی نیروی رانش و مصرف سوخت ویژه برای موتور توربوفن با استفاده از شبکه عصبی نوعGMDH، مجله مدل‌سازی در مهندسی، سال 10، شماره 28، صفحه 1تا 7.

]6[ فیروزنیا، ر.، امجدی، ن. (1388) پیش بینی بار کوتاه مدت با استفاده از تجزیه سری زمانی بار وشبکه عصبی، مجله مدل‌سازی در مهندسی، سال7، شماره 16، صفحه 23تا 32.

    [7] Rafidah, A., Suhaila, Y. (2013). Modeling river stream flow using support vector machine, Trans Tech Publication, Vol. 315, pp. 602-605

 

]8[ احمدی، ف.، رادمنش، ف.، میرعباسی، ر. (1393) مقایسه روش‌های برنامه‌ریزی ژنتیک و ماشین بردار پشتیبان در پیش‌بینی جریان روزانه رودخانه (مطالعه موردی: رودخانه باراندوزچای)، مجله آب و خاک (علوم وصنایع کشاورزی)، سال28، شماره6، صفحه 1171-1162.

]9[ سیدیان، م.، سلیمانی، م.، کاشانی، م. (1393) پیش‌بینی دبی جریان رودخانه با استفاده از داده کاوی و سری‌زمانی، اکوهیدرولوژی، سال1، شماره3، صفحه 179-167.

]10[ غفاری، غ.، وفاخواه، م. (1392) شبیه‌سازی فرآیند بارش- رواناب با استفاده ازشبکه عصبی مصنوعی و سیستم فازی- عصبی تطبیقی (مطالعه موردی: حوضه آبخیز حاجی قوشان)، پژوهشنامه مدیریت حوضه آبخیز، سال4، شماره8، صفحه 136-120.

11[ عبداله پور آزاد، م.، ستاری، م. (1394). پیش‌بینی جریان روزانه رودخانه اهر چای با استفاده از شبکه‌های عصبی مصنوعی ((ANN ومقایسه آن با سیستم استنتاج فازی – عصبی تطبیقی(ANFIS)، نشریه پژوهش‌های حفاظت آب و خاک، سال22، شماره1، صفحه 298-287.

]12[ معروفی، ص.، امیر مرادی، ک.، پارسافر، ن. (1392).پیش‌بینی جریان روزانه با استفاده از شبکه‌های عصبی مصنوعی و عصبی- موجکی (مطالعه موردی:رودخانه باراندوزچای)، نشریه دانش آب و خاک، سال23، شماره3، صفحه 103-93.

]13[ نگارش، ح.، اژدری مقدم، م.، آرمش، م. (1392) کاربرد شبکه عصبی مصنوعی در شبیه‌سازی و پیش‌بینی سیلاب حوضه آبریز سرباز، مجله جغرافیا و توسعه، سال11، شماره31، صفحه 28-15.

]14[ کریمی، ص. (1394) شبیه‌سازی رواناب با استفاده از شبکه عصبی - موجکی (مطالعه موردی:حوضه آبخیز رود خرسان 3) ، مجله ی مهندسی منابع آب، سال24، شماره8، صفحه 19-1.

]15[ بیلندی، م.، خاشعی سیوکی، ع.، صادقی طبس، ص. (1393) پیش‌بینی رواناب روزانه با مدل حداقل مربعات ماشین بردار پشتیبان (ls-svm)، نشریه پژوهش‌های حفاظت آب و خاک، سال21، شماره6، صفحه 304-293.

   [16] Yilin, J., Cheng, C., Chau, K. (2006). Using support vector machine for long-term discharge prediction, Hydrological Science Journal, Vol. 51(4), pp. 599-612