دوره 10، شماره 19 - ( بهار و تابستان 1398 )
جلد 10 شماره 19 صفحات 221-211 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Niromandfard F, KhasheiSiuki A, Shahidi A. (2019). Evaluation of the Neuro-Fuzzy and Hybrid Wavelet-Neural Models Efficiency in River Flow Forecasting (Case Study: Mohmmad Abad Watershed). jwmr. 10(19), 211-221. doi:10.29252/jwmr.10.19.211
URL: http://jwmr.sanru.ac.ir/article-1-931-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-931-fa.html
نیرومند فرد فریبا، خاشعی سیوکی عباس، شهیدی علی. ارزیابی کارایی دو مدل نروفازی و هیبرید موجکی- عصبی در پیش بینی جریان رودخانه (مطالعه موردی: حوضه محمد آباد)
پژوهشنامه مديريت حوزه آبخيز 1398; 10 (19) :221-211 10.29252/jwmr.10.19.211
دانشکده کشاورزی گروه مهندسی آب، دانشگاه بیرجند
چکیده: (3306 مشاهده)
از مهمترین مسائل در مدیریت حوزه های آبخیز، پیشبینی فرآیندهای هیدرولوژیکی بارش- رواناب میباشد. استفاده از مدلهای جدید در این زمینه می تواند به مدیریت و برنامهریزی صحیح کمک کند. علاوه بر آن پیشبینی جریان رودخانه، مخصوصاً در شرایط سیلابی، به مسئولان این امکان را خواهد داد که با آمادگی خسارت ناشی از سیل را کاهش دهند. با توجه به اهمیت پیشبینی جریان رودخانه در مدیریت منابع آب روشهای مختلفی برای مدل کردن جریان رودخانه ها به کار برده می شوند، تا بتوان با به کارگیری این مدل در مدیریت خشکسالی و سیلاب خسارات ناشی از آنها را به حداقل ممکن رساند. در این مطالعه برای پیشبینی سری زمانی جریان روزانه ایستگاه آب سنجی سرمو واقع بر رودخانه محمدآباد، مدل نروفازی و هیبرید موجکی- عصبی مورد استفاده قرار گرفت. برای این هدف سری زمانی اصلی به مدت 28 سال به وسیله تبدیل موجکی به سه زیر سری و با موجک مادر دابچیز نوع چهارم انجام شد. مقدار ضریب همبستگی در مدل نروفازی 88/0 و در مدل هیبرید موجکی-عصبی 95/0 بهدست آمده است و نیز پارامترهای ارزیابی RMSE، MSE، NS در مدل موجکی- عصبی به ترتیب 004/0، 043/0 و 91/0 و در مدل نروفازی به ترتیب 32/0، 10/0 و 77/0 بدست آمد. در نهایت نتایج حاصل از تبدیل موجکی- عصبی با نتایج حاصل از نروفازی، مقایسه و ملاحظه شد که روش موجکی- عصبی نسبت به روش نروفازی دقت پیشبینی بالاتری دارد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
هيدرولوژی
دریافت: 1396/12/12 | ویرایش نهایی: 1398/5/9 | پذیرش: 1397/10/1 | انتشار: 1398/5/12
دریافت: 1396/12/12 | ویرایش نهایی: 1398/5/9 | پذیرش: 1397/10/1 | انتشار: 1398/5/12
فهرست منابع
1. Abdolahpor Azad, M.R. and M. Satari. 2015. The prediction of daily flow of the Ocherchay River using Artificial Neural Network (ANN) and its comparison with the Adaptive Fuzzy-Neural Inference System (ANFIS). Journal of Water and Soil Conservation, 22(1): 287-298 (In Persian).
2. Adamowski, J. and K. Sun. 2010. Development of a coupled wavelet transform and neural networkmethod for flow forecasting of non-perennial rivers in semi-arid watersheds. Journal of Hydrology, 390: 85-91. [DOI:10.1016/j.jhydrol.2010.06.033]
3. Adamowski J. and K. Sun. 2010. Development of a coupled wavelet transform and neural network method for flow forecasting of non- perennial rivers in semi- arid watersheds. Journal of Hydrology, 39(1-2): 85-91. [DOI:10.1016/j.jhydrol.2010.06.033]
4. Chenard, J.F. and D. Caissie. 2008. Stream temperature modelling using artifcial neural networks: application on Catamaran Brook, New Brunswick, Canada. Hydrological Processes, 22(17): 3361-3372. [DOI:10.1002/hyp.6928]
5. Haykin, S. 1999. Neural Network: a comprehensive foundation, 2nd Ed., Prentice Hall., New Jersey, USA.
6. Jang, J.S. 1993. ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems Man and Cybernetics, 20(3): 665-685. [DOI:10.1109/21.256541]
7. Katatepe, E. and M. AlcI. 2005. A New Approach to Fuzzy Wavelet System Modeling, International Journal of Approximate Reasoning, 40: 302-322. [DOI:10.1016/j.ijar.2005.06.003]
8. Kisim, O., T. Haktanir, M. Ardicioglu, O. Ozturk, E. Yalcin and S. Uludag. 2009. Adaptive neuro-fuzzy computing technique for suspended sediment estimation. Advances in Engineering Software, 40(6): 438-444. [DOI:10.1016/j.advengsoft.2008.06.004]
9. Kisi, O. 2008. Stream flow forecasting using neuro-wavelet technique. Hydrological Process, 22: 4142-4152. [DOI:10.1002/hyp.7014]
10. Kurtulus, B. and M. Rrazack. 2010. Modeling daily discharge responses of a large karstic aquifer using soft computing methods: Artificial neural network and neurofuzzy. Journal of Hydrology, 381(1-2): 101-111. [DOI:10.1016/j.jhydrol.2009.11.029]
11. Marofi, S., J. Amirmoradi and N. Parsafar. 2013. Daily Flow Prediction Using Artificial Neural Network and Neural Network (Case Study: BarandozChay River), Journal of Water and Soil Science, 23(3): 93-103 (In Persian).
12. Mallat, S. 1989. Throries for multiresolution signal decomposition: the wavelet representation, IEEE Pattern Anal and Machine Intell, 11(7): 93-674. [DOI:10.1109/34.192463]
13. Merry, R.J.E. 2005. Wavelet theory and applications: a literature study. (DCT rapporten; Vol. 2005.053). Eindhoven: Technische Universiteit Eindhoven.
14. Menhaj, M. 2002. Basics of Neural Networks (Computational Intelligence). Amir Kabir University of Technology, 715 pp (In Persian).
15. Misiti, M., Y. Misiti, G. Oppenheim and J.M. Poggi. 1996. Wavelet Toolbox™ 4User's Guide.
16. Nourani. V., A.H. Baghanam, J. Adamowski and M. Gebremichael. 2013. Using self-organizing maps and wavelet transforms for space-time pre-processing of satellite precipitation and runoff data in neural network based rainfall-runoff modeling. Journal of Hydrology, 476: 228-243. [DOI:10.1016/j.jhydrol.2012.10.054]
17. Nayak, P.C., B. Venkatesh, B. Krishna and KJ. Sharad. 2013. Rainfall-runoff modeling using conceptual, data driven, and wavelet based computing approach. Journal of Hydrology, 493: 57-67. [DOI:10.1016/j.jhydrol.2013.04.016]
18. Nabizadeh, M., A. Mosaedi, M. Hesam and A.A. Dehghani. 2012. Comparison of Fuzzy logic based models in predicting daily discharge of Lighvan River, Journal of Soil and Water Conservation Research, 19(1): 117-134 (In Persian).
19. Nourani V., M. Komasi and A. Mano. 2009. A multivariate ANN-Wavelet approach for rainfall runoff modeling. Water Resources Management, 23: 2877-2894. [DOI:10.1007/s11269-009-9414-5]
20. Nori, M. and H. Ghanbari. 2007. Rainfall-runoff simulation with radial-function radial neural network (RBF) basedon probabilistic neural network classification (PNN). Compact Discs Proceedings of the 3rd Conference on Watershed Management and Water Resources Management, Kerman University (In Persian).
21. Partal, T. and O. Kisi. 2007. Wavelet and neuro-fuzzy conjunction model for precipitation forecasting. Journal of Hydrology, 342: 199-212. [DOI:10.1016/j.jhydrol.2007.05.026]
22. Rioul, O. and M. Vetterli. 1991. Wavelets and signal processing. IEEE SP Magazine, 14-38. [DOI:10.1109/79.91217]
23. Sanikhani, H. and Ö. Kisi. 2012. River flow estimation and forecasting by using two different adaptive neuro-fuzzy approaches. Water Resource Management, 26(6): 1715-1729 (In Persian). [DOI:10.1007/s11269-012-9982-7]
24. Shefaei, M., A. Fakherifard, S. Darbandi and M. Ghorbani. 2013. River flow daily forecast using wavelet hybrid model and neural network; A case study of hydrometric station in the Aji Chai catchment area. Journal of Irrigation and Water Engineering, 14: 113-127 (In Persian).
25. Sifuzzaman, M., M.R. Islam and M.Z. Ali. 2009. Application of Wavelet Transform and its Advantages Compared to Fourier Transform. Journal of Physical Sciences, 13: 121-134.
26. Thuillard M. 2000. A Review of Wavelet Networks, Wavelets, Fuzzy wavenets and their Applications, ESIT 2000, Aachen, Germany, 14-15 Sept.
27. Vafakhah, M. 2012. Application of artificial neuro networks and adaptive neuro-fuzzy inference system of Civil Engineering, Canadian Journal of Civil Engineering, 39(4): 402-414. [DOI:10.1139/l2012-011]
28. Zhang, B.L. and ZY. Dong. 2001. An adaptive neural wavelet model for short term load forecasting. Electric Power System Research, 59: 121-129. [DOI:10.1016/S0378-7796(01)00138-9]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
