دوره 12، شماره 24 - ( پاییز و زمستان 1400 1400 )                   جلد 12 شماره 24 صفحات 204-193 | برگشت به فهرست نسخه ها


XML English Abstract Print


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

shahbazbeygy E, yaghoubi B, shabanlou S. (2021). Optimization of ANFIS Network using Wavelet Transform for simulation of Long term Rainfall of Rasht City. J Watershed Manage Res. 12(24), 193-204. doi:10.52547/jwmr.12.24.193
URL: http://jwmr.sanru.ac.ir/article-1-1028-fa.html
شهبازبیگی ابراهیم، یعقوبی بهروز، شعبانلو سعید. بهینه سازی شبکه ANFIS با استفاده از تبدیل موجک برای شبیه سازی بارش دراز مدت شهر رشت پ‍‍ژوهشنامه مديريت حوزه آبخيز 1400; 12 (24) :204-193 10.52547/jwmr.12.24.193

URL: http://jwmr.sanru.ac.ir/article-1-1028-fa.html


گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران
چکیده:   (2257 مشاهده)
چکیده مبسوط
مقدمه و هدف: تخمین و پیش ­بینی الگوی بارش در نواحی مختلف جهان به ویژه در نواحی خشک و نیمه خشک کره زمین مانند کشور ایران از اهمیت بسزایی برخوردار است. علاوه بر آن روش­  های عددی مختلف مانند روش­های هوش مصنوعی به دلیل دقت و سرعت بالا توانایی شبیه ­سازی پدیده بارش و موضوعات مشابه را دارد. استفاده از این روش ها نقش بسزایی در صرفه­ جویی در زمان و هزینه ­ها در مطالعات میدانی و آزمایشگاهی دارد. بنابراین، روز به روز به کاربرد و محبوبیت تکنیک­ های متنوع هوش مصنوعی برای تخمین و شبیه­ سازی مسائل متفاوت مانند بارندگی افزوده می­ شود. هدف از این مطالعه تخمین بارش دراز مدت شهر رشت توسط یک مدل ترکیبی ANFIS و تبدیل موجک می باشد.
مواد و روش­ ها: در این مطالعه، بارش شهر رشت در یک بازه زمانی دراز مدت 62 ساله از سال 1956 تا 2017 توسط یک مدل ترکیبی بهینه­ یافته هوش مصنوعی شبیه­ سازی شد. به­ عبارت دیگر، برای بهبود عملکرد مدل ANFIS از تبدیل موجک بهره­ گرفته شد و مدل ترکیبی WANFIS تعریف گردید. در ابتدا، با استفاده از تابع خود همبستگی تاخیرهای موثر داده­ های سری­ های زمانی شناسایی شدند. سپس با استفاده از این تاخیرها، برای هر یک از مدل­های ANFIS و WANFIS هشت مدل توسعه داده شد. لازم به ­ذکر است که برای آموزش مدل­های هوش مصنوعی از داده­های 42 سال و برای آزمون آنها از داده­ های 20 سال استفاده گردید. در ادامه، بهینه­ ترین تعداد توابع عضویت مدل ANFIS برابر با دو انتخاب شد.
یافته ها: نتایج مدل­های ANFIS 1 تا ANFIS 8 مورد بررسی قرار گرفتند. سپس اعضای مختلف خانواده موجک برای بهینه­ سازی مدل ANFIS مورد ارزیابی قرار گرفتند. به­ بیان دیگر، demy به­ عنوان بهترین عضو خانواده موجک برای بهبود عملکرد مدل ANFIS معرفی گردید. مقایسه مدل­ های ANFIS و WANFIS نشان داد که تبدیل موجک عملکرد مدل ANFIS را به شکل قابل ملاحظه­ای افزایش داد. سپس نتایج مدل­های ترکیبی WANFIS تجزیه و تحلیل شدند که مدل WANFIS 8 به ­عنوان مدل برتر معرفی شد. این مدل مقادیر بارندگی را با دقت قابل قبولی تخمین زد. به­ عنوان مثال، مقادیر R، MARE و RMSE برای مدل برتر به­ ترتیب مساوی با 0/961، 0/855 و 24/510 میلی متر محاسبه شدند.
نتیجه ­گیری: نتایج نشان داد که تاخیرهای شماره (t-1)، (t-2)، (t-3) و (t-12) موثرترین تاخیرها برای تخمین بارش درازمدت شهر رشت توسط مدل ترکیبی WANFIS بودند.
 
متن کامل [PDF 839 kb]   (444 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: هيدرولوژی
دریافت: 1398/4/9 | ویرایش نهایی: 1400/12/4 | پذیرش: 1400/1/18 | انتشار: 1400/6/10

فهرست منابع
1. Baba Ali, H. and R. Dehghani. 2017. Comparison of intelligent models in estimating monthly precipitation of Kaka Reza. Ecology, 4(1): 1-11.
2. Khalili, N., S.R. Khodashenas, K. Davary, M.M. Baygi and F. Karimaldini. 2016. Prediction of rainfall using artificial neural networks for synoptic station of Mashhad: a case study. Arabian Journal of Geosciences, 9(13): 624. [DOI:10.1007/s12517-016-2633-1]
3. Ghorbani, M., A. Azani and S. Mahmoudi Vanolya. 2015. Rainfall-Runoff Modeling Using Hybrid Intelligent Models. Iran-Water Resources Research, 11(2): 146-150 (In Persian).
4. Akrami, S.A., V. Nourani and S.J.S. Hakim. 2014. Development of nonlinear model based on wavelet-ANFIS for rainfall forecasting at Klang Gates Dam. Water resources management, 28(10): 2999-3018. [DOI:10.1007/s11269-014-0651-x]
5. Azad, A., M. Manoochehri, H. Kashi, S. Farzin, H. Karami, V. Nourani and J. Shiri. 2019. Comparative evaluation of intelligent algorithms to improve adaptive neuro-fuzzy inference system performance in precipitation modeling. Journal of Hydrology, 571: 214-224. [DOI:10.1016/j.jhydrol.2019.01.062]
6. Chang, T.K., A. Talei, C. Quek and V.R. Pauwels. 2018. Rainfall-runoff modelling using a self-reliant fuzzy inference network with flexible structure. Journal of hydrology, 564: 1179-1193. [DOI:10.1016/j.jhydrol.2018.07.074]
7. Danladi, A., M. Stephen, B.M. Aliyu, G.K. Gaya, N.W. Silikwa and Y. Machael. 2018. Assessing the influence of weather parameters on rainfall to forecast river discharge based on short-term. Alexandria Engineering Journal, 57(2): 1157-1162. [DOI:10.1016/j.aej.2017.03.004]
8. Dabral, P.P. and M.Z. Murry. 2017. Modelling and forecasting of rainfall time series using SARIMA. Environmental Processes, 4(2): 399-419. [DOI:10.1007/s40710-017-0226-y]
9. Jang, J.S 1993. ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23(3): 665-685. [DOI:10.1109/21.256541]
10. Kumar, N and G.K. Jha. 2013. A time series ANN approach for weather forecasting. Int J Control Theory Comput Model (IJCTCM), 3(1): 19-25. [DOI:10.5121/ijctcm.2013.3102]
11. Lee, S., S. Cho and P.M. Wong. 1998. Rainfall prediction using artificial neural networks. Journal of geographic information and Decision Analysis, 2(2): 233-242.
12. Mekanik, F., M.A. Imteaz and A. Talei. 2016. Seasonal rainfall forecasting by adaptive network-based fuzzy inference system (ANFIS) using large scale climate signals. Climate dynamics, 46(9-10): 3097-3111. [DOI:10.1007/s00382-015-2755-2]
13. Mehr, A.D., V. Nourani, V.K. Khosrowshahi and M.A. Ghorbani. 2019. A hybrid support vector regression-firefly model for monthly rainfall forecasting. International Journal of Environmental Science and Technology, 16(1): 335-346. [DOI:10.1007/s13762-018-1674-2]
14. Mendel, J.M. 2001. Uncertain rule-based fuzzy logic systems: introduction and new directions. Prentice.
15. Mislan, H., S. Hardwinarto and M.A. Sumaryono. 2015. Rainfall monthly prediction based on artificial neural network: a case study in Tenggarong Station, East Kalimantan-Indonesia. Procedia Computer Science, 59: 142-151. [DOI:10.1016/j.procs.2015.07.528]
16. Nagahamulla, H.R., U.R. Ratnayake and A. Ratnaweera. 2012. An ensemble of artificial neural networks in rainfall forecasting. In Advances in ICT for Emerging Regions (ICTer), 2012 International Conference on (176-181). IEEE. [DOI:10.1109/ICTer.2012.6423032]
17. Nasseri, M., K. Asghari and M.J. Abedini. 2008. Optimized scenario for rainfall forecasting using genetic algorithm coupled with artificial neural network. Expert Systems with Applications, 35(3): 1415-1421. [DOI:10.1016/j.eswa.2007.08.033]
18. Nourani, V., M.T. Alami and M.H. Aminfar. 2009. A combined neural-wavelet model for prediction of Ligvanchai watershed precipitation. Engineering Applications of Artificial Intelligence, 22(3): 466-472. [DOI:10.1016/j.engappai.2008.09.003]
19. Nozari, H. and F. Tavakoli. 2019. Evaluation of the Efficiency of Linear and Nonlinear Models in Predicting Monthly Rainfall (Case Study: Hamedan Province). Journal of Watershed Management Research. 10 (20): 1-12 (In Persian). [DOI:10.29252/jwmr.10.20.1]
20. Purnomo, H.D., K.D. Hartomo and S.Y.J. Prasetyo. 2017. Artificial neural network for monthly rainfall rate prediction. In IOP Conference Series: Materials Science and Engineering (180(1): 012057). IOP Publishing. [DOI:10.1088/1757-899X/180/1/012057]
21. Shafaei, M., J. Adamowski, A. Fakheri-Fard, Y. Dinpashoh and K. Adamowski. 2016. A wavelet-SARIMA-ANN hybrid model for precipitation forecasting. Journal of Water and Land Development, 28(1): 27-36. [DOI:10.1515/jwld-2016-0003]
22. Toth, E., A. Brath and A. Montanari. 2000. Comparison of short-term rainfall prediction models for real-time flood forecasting. Journal of hydrology, 239(1-4): 132-147. [DOI:10.1016/S0022-1694(00)00344-9]
23. Valipour, E., M.A. Ghorbani and E. Asadi. 2020. Rainfall Network Optimization using Information Entropy and Fire Fly Algorithm Case Study: East Basin of Urmia Lake. Journal of Watershed Management Research, 11(21): 11-23 (In Persian).
24. Wong, K.W., P.M. Wong, T.D. Gedeon and C.C. Fung. 1999. Rainfall prediction using neural fuzzy technique. URL: www. it. murdoch. edu. au/~ wong/publications/SIC97. pdf, 213-221.
25. Wong, K.W., P.M. Wong, T.D. Gedeon and C.C. Fung. 2003. Rainfall prediction model using soft computing technique. Soft Computing, 7(6): 434-438. [DOI:10.1007/s00500-002-0232-4]
26. Xiang, Y., L. Gou, L. He, S. Xia and W. Wang. 2018. A SVR-ANN combined model based on ensemble EMD for rainfall prediction. Applied Soft Computing, 73: 874-883. [DOI:10.1016/j.asoc.2018.09.018]
27. Yaseen, Z.M., M.I. Ghareb, I. Ebtehaj, H. Bonakdari, R. Siddique, S. Heddam and R. Deo. 2018. Rainfall pattern forecasting using novel hybrid intelligent model based ANFIS-FFA. Water resources management, 32(1): 105-122.  [DOI:10.1007/s11269-017-1797-0]

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

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

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

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Watershed Management Research

Designed & Developed by : Yektaweb