دوره 8، شماره 16 - ( پاییز و زمستان 1396 )                   جلد 8 شماره 16 صفحات 11-21 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Zarei M M, Dastorani M T, Mesdaghi M, Eshghizadeh M. Evaluation of the Efficiency of Different Artificial Intelligence and Statistical Methods in Estimating the Amount of Runoff (Case Study: Shahid Noori Watershed of Kakhk, Gonabad) . jwmr. 2018; 8 (16) :11-21
URL: http://jwmr.sanru.ac.ir/article-1-900-fa.html
زرعی محمدمهدی، دستورانی محمدتقی، مصداقی منصور، عشقی زاده مسعود. بررسی کارایی روش‌های مختلف هوش مصنوعی و روش آماری در برآورد میزان رواناب (مطالعه موردی: حوزه شهید نوری کاخک گناباد). پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1396; 8 (16) :11-21

URL: http://jwmr.sanru.ac.ir/article-1-900-fa.html


چکیده:   (621 مشاهده)
سال‌هاست که از مدل‌های بارش-رواناب در زمینه هیدرولوژی و برآورد رواناب استفاده می‌شود. اما علی‌رغم وجود مدل‌های فراوان، ظهور مرتب مدل‌های جدید نشان‌دهنده آن است که هنوز مدلی که بتواند بدون هیچ‌گونه نقص و ایرادی، کارایی و دقت بالا را در برآوردها ارائه کند ایجاد نشده است. بدین منظور جهت دستیابی به بهترین نتایج ؛ تعیین کارایی و شناسایی بهترین مدل‌ها، پس از انجام مدل‌سازی‌ها، ضرورت می‌یابد. در این راستا، در پژوهش حاضر، ابتدا اقدام به مدل‌سازی و برآورد میزان رواناب با استفاده از روش‌های مختلف هوش مصنوعی و نیز روش‌های آماری رگرسیون چندگانه شد. سپس جهت بررسی کارایی روش‌های اجراشده و نهایتاً انتخاب بهترین مدل، از معیارهای کارایی و ارزیابی شامل؛ ضریب همبستگی (R)، ضریب نش-ساتکلیف(NSE) ، ریشه میانگین مربعات خطا (RMSE)و میانگین قدر مطلق خطا (MAE) استفاده گردید. اطلاعات مورداستفاده در این تحقیق، از داده­های 9 واقعه بارندگی در بازه زمانی 2015-2011 حوزه کاخک گناباد تهیه شد. مدل‌های هوش مصنوعی موردبررسی در این مطالعه نیز عبارت بودند از: شبکه عصبی مصنوعی پس انتشار پیش‌خور نرمال، پیش‌خور Cascade، پس‌خور خودبازگشتی Elman، شبکه فازی-عصبی (ANFIS) و مدل درخت تصمیم رگرسیونی (Regression Tree) که در محیط نرم‌افزار متلب اجرا شدند. همچنین از روش رگرسیون چندگانه گام‌به‌گام به‌عنوان روش آماری، در محیط نرم‌افزار مینی­تب استفاده گردید. نتایج حاصل از این پژوهش نشان داد؛ انواع روش‌های آماری و هوش مصنوعی در نظر گرفته‌شده به‌طور نسبتاً مشابهی دارای کارایی قابل‌قبول بوده و با دقت مناسب و خطای نسبتاً کم، قادر به برآورد میزان رواناب هستند. در این ‌بین، مدل‌های عصبی پیش‌خور نرمال و پیش‌خور Cascade با تعداد 5 پارامتر ورودی میزان کارایی بهتری را نسبت به سایر مدل‌ها نشان دادند. چنانکه معیارهای کارایی R ،NSE ، RMSE و MAE در این مدل‌ها، به ترتیب مقادیر مشابه؛ 88/0، 76/0، 2 و 5/1 بدست آمد. درمجموع یافته‌ها حاکی از برآورد بهتر مدل‌های هوش مصنوعی نسبت به روش آماری رگرسیونی است.
متن کامل [PDF 557 kb]   (350 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: ۱۳۹۶/۱۱/۹ | پذیرش: ۱۳۹۶/۱۱/۹ | انتشار: ۱۳۹۶/۱۱/۹

فهرست منابع
1. Akbari, Z., A. Talebi, M.T. Dastorani, J. Mahjubi and B. Akbari, 2013. The impact of sediment flows classification on accurately suspended sediment estimation using decision tree models. The first national conference on achieving sustainable development in agriculture, natural resources and environment sectors, Tehran (In Persian).
2. Asadi, S., J. Shahrabi, P. Abbaszadeh and S. Tabanmehr. 2013. A new hybrid artificial neural networks for rainfall–runoff process modeling. Neurocomputing, 121: 470-480. [DOI:10.1016/j.neucom.2013.05.023]
3. Babanejad, T. 2012. The use of genetic algorithms in adaptive fuzzy-neural system to estimate the sediment in the river, Ninth International River Engineering Seminar, Shahid Chamran University of Ahvaz, Iran, February 2012, (In Persian).
4. Bhattacharya, B., R.K. Price and D.P. Solomatine. 2007. Machine learning approach to modeling sediment transport. Journal of Hydraulic Engineering. 133(4): 440-450. [DOI:10.1061/(ASCE)0733-9429(2007)133:4(440)]
5. Chen, J.C., S.K. Ning, H.W. Chen and C.S. Shu. 2008. Flooding probability of urban area estimated by decision tree and artificial neural networks, Journal of Hydroinformatics, 10(1): 57-67. [DOI:10.2166/hydro.2008.009]
6. Dastorani, M.T, A. Habibpour, M.R. Ekhtesasi, A. Talebi and J. Mahjubi, 2013. Evaluation of the Decision Tree Model in Precipitation Prediction (Case study: Yazd Synoptic Station), Iran Water Resources Research, No: 3, pp. 14-27. (In Persian).
7. Dastorani M.T., Kh. Azimi Fashi, A. Talebi and M.R. Ekhtesasi, 2012. Estimation of Suspended Sediment Using Artificial Neural Network (Case Study: Jamishan Watershed in Kermanshah). Journal of watershed management research, 6: 61-74 (In Persian).
8. Dastorani M.T., H. Sharifi Darani, A.Talebi and A.R. Moghaddamnia, 2011. "Evaluation of the application of artificial neural networks and adaptive neuro-fuzzy inference systems for rainfall-runoff modeling in Zayandeh_rood dam basin, Journal of Water and Wastewater, 4: 114-125 (In Persian).
9. Dorum, A., A. Yarar, M. Faik Sevimli and M. Onüçyildiz. 2010. "Modelling the rainfall–runoff data of susurluk basin." Expert Systems with Applications 37(9): 6587-6593. [DOI:10.1016/j.eswa.2010.02.127]
10. Ekhtessasi, M., M. Yusefi and M. Tavakkoli, 2015. Comparing the Best Input Combining Artificial Neural Networks and Decision Tree Method to Identify Factors that Influence the Phenomenon of Dust Storm (Case Study Yazd Province), Journal of Watershed Science and Engineering. 9 (28), 33-40, (In Persian).
11. Eshghi, P., J. Farzadmehr, M.T. Dastorani and Z. Arab Asadi. 2016. The effectiveness of intelligent models in estimating the river suspended sediments (Case study: Babaaman basin, Northern Khorasan), Journal of watershed management research, No. 14, 88-95 (In Persian).
12. Eshghizadeh, M. 2011, The Review of the pair watersheds of Kakhk, Gonabad, Department of Natural Resources and Watershed Management of Gonabad (In Persian)
13. Fathollahi, S., D. Mirshahi and B. Abbaspoor, 2015. Prediction of runoff resulted from rainfall in Ajichai river basin, using neural networks. The first International Congress on Irrigation and Drainage, Ferdowsi University of Mashhad. Iran. (In Persian)
14. Goswami, M and K.M. O'Connor, 2005. Application of Artificial Neural Networks for river flow simulation in three French catchments.4th Inter-Celtic Colloquium on Hydrology and Management of Water Resource. National University of Ireland, Galway, Ireland.
15. Habibipour, A., M.T. Dastorani, M.R. Ekhtesasi, H. Afkhami, 2011. Evaluation of the Effects of Data range Modification on Efficiency of Regression Decision Tree and Artificial Neural Networks for Drought Prediction, Journal of watershed management research, 3: 63-79 (In Persian).
16. Hajjahbakhsh, C., 1390. Estimation of bed load sediment using regression decision trees, and comparing with experimental methods, MSC Thesis, Department of Civil Engineering, Yazd University, Iran, 103 pp. (In Persian).
17. Hamzaçebi, C. 2008. Improving artificial neural network's performance in seasonal time series forecasting. Information Sciences 178 (23): 4550-4559. [DOI:10.1016/j.ins.2008.07.024]
18. Hung, N. Q., M. S. Babel, S.Weesakul, and N. K. Tripathi. 2008. An articial neural network model for rainfall forecasting in Bangkok, Thailand. Hydrology and Earth System Sciences Discussions, 5(1): 183-218. [DOI:10.5194/hessd-5-183-2008]
19. Jang, J. S.R. 1993. ANFIS: Adaptive-network-based fuzzy inference system. J. of IEEE. Trans. Syst. Man, Cyber, 23(3): 665-685. [DOI:10.1109/21.256541]
20. Janikow, Z and M. Fajfer, 2000. Bottom- up Fuzzy Partitioning in Fuzzy Decision Trees. Fuzzy Information Processing Society, NAFIPS. 19th International Conference of the North American.
21. Jeong, C.S., W.J. Koh and J.H. Heo. 2000. A study on real-time forecasting of reservoir inflow based on artificial neural network. Proceedings of Watershed Management and Operations Management 2000 conference, American Society of Civil Fngineers, USA
22. Karamouz, M and S. Araghinejad. 2011. Advanced Hydrology. Amirkabir University of Technology Press. Tehran. Iran. (In Persian).
23. Kia, M. 2010. Neural networks in MATLAB, Third Edition, published by Kian-Rayaneh-Sabz, 229 p. (In Persian).
24. Meshkani, A. and A.Nazemi. 2009. Introduction to Data Mining, Ferdowsi University of Mashhad Press, Mashhad (In Persian).
25. Nourani, V., Ö. Kisi and M. Komasi. 2011. "Two hybrid Artificial Intelligence approaches for modeling rainfall–runoff process." Journal of Hydrology 402(1-2): 41–59. [DOI:10.1016/j.jhydrol.2011.03.002]
26. Nourani, V., M.A. Kynejad and L. Malekani. 2010. "The use of Adaptive Neural - fuzzy systems in Modeling of rainfall - runoff." Journal of Civil and Environmental Engineering, University of Tabriz 39(4): 75-81. (In Persian).
27. Qaderi, M. 2012. Development of hydrological model for simulation of rainfall-runoff from hill slopes and small catchments (Case study: Sanganeh station, Khorasan Razavi), MSc thesis, Faculty of Natural Resources, Yazd University, Iran (In Persian).
28. Senthil Kumar, A., C. Ojha, M. Goyal, R.Singh and P. Swamee, 2012, "Modeling of Suspended Sediment Concentration at Kasol in India Using ANN, Fuzzy Logic, and Decision Tree Algorithms". Journal of Hydrologic Engineering, 17(3), 393-404. [DOI:10.1061/(ASCE)HE.1943-5584.0000445]
29. Sharpley, A. and P. Kleinman. 2003. Effect of rainfall simulator and plot scale on overland flow and phosphorustransport. Journal of Environtal Quality 32: 2172- 2179 [DOI:10.2134/jeq2003.2172]
30. Shayegh, M. 1390. Cloud seeding project evaluation using decision trees regression model (case study: in central Iran, Fars province), MSc thesis, Water and Power Industry University, Tehran. Iran. (In Persian).
31. Solgi, A., F. Radmanesh, A. Pourhaghi and M. Bagherian. 2014. Evaluation of Artificial Intelligence Systems Performance in Precipitation Forecasting. TI Journals Agriculture Science Developments. 3 (7): 256-264.
32. Talei, A., L.H.C. Chua, C. Quek and P.E. Jansson. 2013."Runoff forecasting using a Takagi–Sugeno neuro-fuzzy model with online learning." Journal of Hydrology 488(0): 17-32. [DOI:10.1016/j.jhydrol.2013.02.022]
33. Tamari, S., J. H. M. Wosten and J. C. Ruz-suarez, 1996. Testing an artificial neural network -for predicting soil hydraulic conductivity. Journal of Soil Science Society of America, 60, 1732 .1741.
34. Vahabi, J. and M.H. Mahdian. 2008. Rainfall simulation for the study of the effects of efficient factors on runoff rate. Current Sci. 95: 1439-1445.
35. Yousefi, M. and F. Barzegar, 2013. Suspended sediment comparative study using a decision tree model and sediment curve (Case Study: Lorestan) Journal of Watershed management Research (Pajoohesh and Sazandegi), in press. (In Persian).

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA code

کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2018 All Rights Reserved | Journal of Watershed Management Research

Designed & Developed by : Yektaweb