دوره 12، شماره 24 - ( پاییز و زمستان 1400 1400 )
جلد 12 شماره 24 صفحات 146-133 |
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:
Tabatabaei M, Hosseini S A. (2021). Evaluation of the Effect of Logarithmic Transformations and Objective Functions on the Performance of Neural Network Models in Estimation of Suspended Sediment Load (Case Study: Sarab Ghare So Watershed, Ghorichai River). J Watershed Manage Res. 12(24), 133-146. doi:10.52547/jwmr.12.24.133
URL: http://jwmr.sanru.ac.ir/article-1-1078-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1078-fa.html
طباطبائی محمودرضا، حسینی سید احمد. ارزیابی تاثیر تبدیلات لگاریتمی و توابع هدف بر میزان کارائی مدلهای شبکه عصبی در برآورد بار رسوب معلق (مطالعه موردی: حوزه آبخیز سراب قره سو، رودخانه قوری‌چای) پژوهشنامه مديريت حوزه آبخيز 1400; 12 (24) :146-133 10.52547/jwmr.12.24.133
1- پژوهشکده حفاظت خاک و آبخیزداری
چکیده: (3246 مشاهده)
چکیده مبسوط
مقدمه و هدف: برآورد صحیح ﺑﺎر رﺳﻮب ﻣﻌﻠﻖ رودﺧﺎﻧﻪﻫﺎ، ﻧﻘش مهمی در ﻣﺴﺎﺋﻞ ﻣﺮﺑﻮط ﺑﻪ ﻣﺪیﺮیﺖ ﻣﻨﺎﺑﻊ آب، آبخیزداری و علوم وابسته دارد. با توجه به داﻣﻨﻪ وﺳﯿﻊ ﺗﻐﯿﯿﺮات رﺳﻮب معلق در فصول مختلف سال و همچنین ﻣﺎﻫﯿﺖ بهشدت ﻏﯿﺮﺧﻄﯽ و پیچیده آن، لازم است از روش‌هایی مناسب که می‌توانند چنین پدیده‌هائی را شبیه‌سازی و برآورد نمایند، استفاده شود.
مواد و روش ها: از تبدیل لگاریتمی داده‌ها و الگوریتم بهینهسازی ازدحام ذرات چند هدفه (MOPSO)، در آموزش بهینه مدلهای شبکه عصبی استفاده شد. بدین منظور در ابتدا، با کمک شبکه عصبی بدون ناظر (SOM)، دادههای دبی جریان و دبی رسوب معلق ایستگاه هیدرومتری مورد مطالعه (دوره آماری 1395-1364) خوشه بندی و سپس با نمونه گیری از خوشه ها، مجموعه داده های مورد نیاز برای آموزش و آزمون مدل های شبکه عصبی تهیه گردید. پس از آن، به منظور ارزیابی تاثیر به کارگیری تبدیلات لگاریتمی و الگوریتم بهینهسازی MOPSO، سه سناریو تعریف شد. در سناریوی اول، دادههای اولیه (بدون تبدیل لگاریتمی) و الگوریتم گرادیان مبنا رایج در آموزش مدلهای شبکه عصبی (پس انتشار خطا)، در سناریوی دوم، الگوریتم پس انتشار خطا و تبدیلات لگاریتمی و در سناریوی سوم، از تبدیلات لگاریتمی و الگوریتم MOPSO، در آموزش مدل های شبکه عصبی استفاده گردید.
یافته ها: ارزیابی و مقایسه نتایج صحت سنجی مدلها نشان داد که به کارگیری تبدیلات لگاریتمی و الگوریتم MOPSO، با کاهش خطای RMSE و درصد اریبی (PBIAS) از 49 تن در روز و 21- درصد، در بهترین مدل از سناریو اول، به 30/3 تن در روز و 6/3- درصد، در بهترین مدل ازسناریو سوم، کارائی مدلها را افزایش داده است. از دیگر نتایج پژوهش، عدم برآورد ارقام منفی برای رسوب معلق بوده که یکی از خطاهای رایج در استفاده از مدل های شبکه عصبی در برآورد رسوب معلق است.
نتیجه گیری: استفاده از توابع هدف چندگانه، امکان حساس نمودن مدلها به برآورد دقیق‌تر رسوب معلق در جریان‌های کم یا زیاد را فراهم نموده سبب می‌شوند، شاخص‌های صحت‌سنجی و اریبی مدلهای داده مبنا بهبود یابند.
مقدمه و هدف: برآورد صحیح ﺑﺎر رﺳﻮب ﻣﻌﻠﻖ رودﺧﺎﻧﻪﻫﺎ، ﻧﻘش مهمی در ﻣﺴﺎﺋﻞ ﻣﺮﺑﻮط ﺑﻪ ﻣﺪیﺮیﺖ ﻣﻨﺎﺑﻊ آب، آبخیزداری و علوم وابسته دارد. با توجه به داﻣﻨﻪ وﺳﯿﻊ ﺗﻐﯿﯿﺮات رﺳﻮب معلق در فصول مختلف سال و همچنین ﻣﺎﻫﯿﺖ بهشدت ﻏﯿﺮﺧﻄﯽ و پیچیده آن، لازم است از روش‌هایی مناسب که می‌توانند چنین پدیده‌هائی را شبیه‌سازی و برآورد نمایند، استفاده شود.
مواد و روش ها: از تبدیل لگاریتمی داده‌ها و الگوریتم بهینهسازی ازدحام ذرات چند هدفه (MOPSO)، در آموزش بهینه مدلهای شبکه عصبی استفاده شد. بدین منظور در ابتدا، با کمک شبکه عصبی بدون ناظر (SOM)، دادههای دبی جریان و دبی رسوب معلق ایستگاه هیدرومتری مورد مطالعه (دوره آماری 1395-1364) خوشه بندی و سپس با نمونه گیری از خوشه ها، مجموعه داده های مورد نیاز برای آموزش و آزمون مدل های شبکه عصبی تهیه گردید. پس از آن، به منظور ارزیابی تاثیر به کارگیری تبدیلات لگاریتمی و الگوریتم بهینهسازی MOPSO، سه سناریو تعریف شد. در سناریوی اول، دادههای اولیه (بدون تبدیل لگاریتمی) و الگوریتم گرادیان مبنا رایج در آموزش مدلهای شبکه عصبی (پس انتشار خطا)، در سناریوی دوم، الگوریتم پس انتشار خطا و تبدیلات لگاریتمی و در سناریوی سوم، از تبدیلات لگاریتمی و الگوریتم MOPSO، در آموزش مدل های شبکه عصبی استفاده گردید.
یافته ها: ارزیابی و مقایسه نتایج صحت سنجی مدلها نشان داد که به کارگیری تبدیلات لگاریتمی و الگوریتم MOPSO، با کاهش خطای RMSE و درصد اریبی (PBIAS) از 49 تن در روز و 21- درصد، در بهترین مدل از سناریو اول، به 30/3 تن در روز و 6/3- درصد، در بهترین مدل ازسناریو سوم، کارائی مدلها را افزایش داده است. از دیگر نتایج پژوهش، عدم برآورد ارقام منفی برای رسوب معلق بوده که یکی از خطاهای رایج در استفاده از مدل های شبکه عصبی در برآورد رسوب معلق است.
نتیجه گیری: استفاده از توابع هدف چندگانه، امکان حساس نمودن مدلها به برآورد دقیق‌تر رسوب معلق در جریان‌های کم یا زیاد را فراهم نموده سبب می‌شوند، شاخص‌های صحت‌سنجی و اریبی مدلهای داده مبنا بهبود یابند.
فهرست منابع
1. Alpa, M. and H.K. Cigizoglu. 2007. Suspended sediment load simulation by two artificial neural network methods using hydrometeorological data. Environmental Modeling and Software, 22(1): 2-13. [DOI:10.1016/j.envsoft.2005.09.009]
2. Altunkaynak, A. 2009. Sediment load prediction by genetic algorithms. Advances in Engineering Software, 40(9): 928-934. [DOI:10.1016/j.advengsoft.2008.12.009]
3. ASCE Task Committee on Application of Artificial Neural Networks in Hydrology. 2000. Artificial neural networks in hydrology, I: preliminary concepts. Journal of Hydrologic Engineering, 5(2): 115-123. [DOI:10.1061/(ASCE)1084-0699(2000)5:2(115)]
4. Aqil, M., I. Kita, A. Yano and S. Nishiyama. 2007. A comparative study of artificial neural networks and neuro-fuzzy in continuous modeling of the daily and hourly behavior of runoff. Journal of Hydrology, 337(1-2): 22-34. [DOI:10.1016/j.jhydrol.2007.01.013]
5. Bekele, E.G. and J.W. Nicklow. 2007. Multi-objective automatic calibration of SWAT using NSGA-II. Journal of Hydrology, 341(3): 165-176. [DOI:10.1016/j.jhydrol.2007.05.014]
6. Buyukyildiz, M. and S.Y. Kumcu. 2017. An estimation of the suspended sediment load using adaptive network based fuzzy inference system, support vector machine and artificial neural network models. Water Resources Management, 31: 1343-1359. [DOI:10.1007/s11269-017-1581-1]
7. Choudhury, P. and B.S. Sil. 2010. Integrated water and sediment flow simulation and forecasting models for river reaches. Journal of Hydrology, 385(1): 313-322. [DOI:10.1016/j.jhydrol.2010.02.034]
8. Cigizoglu, H.K. 2004. Estimation and forecasting of daily suspended sediment data by multi-layer perceptrons. Advances in Water Resources, 27(2): 185-195. [DOI:10.1016/j.advwatres.2003.10.003]
9. Chen, X.Y. and K.W. Chau. 2016. A hybrid double feedforward neural network for suspended sediment load estimation. Water Resources Management, 30: 2179-2194. [DOI:10.1007/s11269-016-1281-2]
10. Chiang, J.L., K.J. Tsai, Y.R. Chen, M.H. Lee and J.W. Sun. 2014. Suspended Sediment Load Prediction using Support Vector Machines in the Goodwin Creek Experimental Watershed. In EGU General Assembly Conference Abstracts, 16: 5285.
11. Coello, C.A.C., G.T. Pulido and M.S. Lechuga. 2004. Handling multiple objectives with particle swarm optimization. IEEE Transactions on Evolutionary Computation, 8(3): 256-279. [DOI:10.1109/TEVC.2004.826067]
12. Criss, R.E. and W.E. Winston. 2008. Do Nash values have value? Discussion and alternate proposals. Hydrological Processes, 22(14): 2723. [DOI:10.1002/hyp.7072]
13. Deb, K. 2001. Multi-objective optimization using evolutionary algorithms, Wiley, New York, USA, 512 pp.
14. Dlugosz, A. 2016. Multi-objective optimization of the UAV wing by means of evolutionary computations. Mechanics, 22(6): 530-536. [DOI:10.5755/j01.mech.22.6.14419]
15. Ebtehaj, I. and H. Bonakdari. 2016. Assessment of evolutionary algorithms in predicting non-deposition sediment transport. Urban Water Journal, 13: 499-510. [DOI:10.1080/1573062X.2014.994003]
16. Efstratiadis, A. and D. Koutsoyiannis. 2010. One decade of multi-objective calibration approaches in hydrological modelling: a review. Hydrological Sciences Journal-Journal Des Sciences Hydrologiques, 55(1): 58-78. [DOI:10.1080/02626660903526292]
17. Ercan, M.B. and J.L. Goodall. 2016. Design and implementation of a general software library for using NSGA-II with SWAT for multi-objective model calibration. Environmental Modelling and Software, 84: 112-120. [DOI:10.1016/j.envsoft.2016.06.017]
18. Guo, W. and H. Wang. 2010. August PSO optimizing neural network for the Yangtze River sediment entering estuary prediction. In 2010 6th International Conference on Natural Computation, 4: 1769-1772 [DOI:10.1109/ICNC.2010.5584412]
19. Hajiabadi, R., S. Farzin and Y. Hassanzadeh. 2016. Intelligent models performance improvement based on wavelet algorithm and logarithmic transformations in suspended sediment estimation. Journal of Water and Soil, 30(1): 112-124 (In Persian).
20. Hornik, K., M. Stinchcombe and H. White. 1989. Multilayer feedforward networks are universal approximators. Neural Networks, 2(5): 359-366. [DOI:10.1016/0893-6080(89)90020-8]
21. Jain, A., R.K. Bhattacharjya and S. Sanaga. 2004. Optimal design of composite channels using genetic algorithm. Journal of Irrigation and Drainage Engineering, 130(4): 286-295 [DOI:10.1061/(ASCE)0733-9437(2004)130:4(286)]
22. Joshi, R., K. Kumar and V.P.S. Adhikari. 2016. Modelling suspended sediment concentration using artificial neural networks for Gangotri glacier. Hydrological Processes, 30(9): 1354-1366. [DOI:10.1002/hyp.10723]
23. Kakaei Lafdani, E., A. Moghaddam Nia and A. Ahmadi. 2013. Daily suspended sediment load prediction using artificial neural networks and support vector machines. Journal of Hydrology, 478: 50-62. [DOI:10.1016/j.jhydrol.2012.11.048]
24. Kennedy, J. and R. Eberhart. 1995. Particle Swarm Optimization, IEEE Transactions On Evolutionary Computation, 8(3): 1942-1948.
25. Kisi, O. and J. Shiri. 2012. River suspended sediment estimation by climatic variables implication: Comparative study among soft computing techniques. Computers and Geosciences, 43(2): 73-82. [DOI:10.1016/j.cageo.2012.02.007]
26. Kisi, O. and C. Ozkan. 2017. A new approach for modeling sediment-discharge relationship: Local weighted linear regression. Water Resources Management, 30(2): 1-23. [DOI:10.1007/s11269-016-1481-9]
27. Kisi, O., A. Keshavarzi, J. Shiri, M. Zounemat-Kermani and E.S.E. Omran. 2017. Groundwater quality modeling using neuro-particle swarm optimization and neuro-differential evolution techniques. Hydrology Research, 48(2017): 1508-1519. [DOI:10.2166/nh.2017.206]
28. Kaufman, L. and P.J. Rousseeuw. 2009. Finding groups in data: an introduction to cluster analysis. John Wiley and Sons, New York, USA, 344: 342 pp.
29. Legates, D.R. and G.J. McCabe. 1999. Evaluating the use of "goodness of fit" measures in hydrologic and hydroclimatic model validation. Water Resources Research, 35(1): 233-241. [DOI:10.1029/1998WR900018]
30. Li, X., M.H. Nour, D.W. Smith and A.A. Prepasc. 2010. Neural networks modeling of nitrogen export: model development and application to unmonitored boreal forest watersheds. Environmental Technology, 31(5): 495-510. [DOI:10.1080/09593330903527880]
31. Luk, K.C., J.E. Ball and A. Sharma. 2000. A study of optimal model lag and spatial inputs to artificial neural network for rainfall forecasting. Journal of Hydrology, 227(1-4): 56-65. [DOI:10.1016/S0022-1694(99)00165-1]
32. Krause, P., D.P. Boyle and F. Bäse. 2005. Comparison of different efficiency criteria for hydrological model assessment. Advances in Geosciences, 5: 89-97. [DOI:10.5194/adgeo-5-89-2005]
33. May, R.J., H.R. Maier and G.C. Dandy. 2010. Data splitting for artificial neural networks using SOM-based stratified sampling. Neural Networks, 23: 283-294. [DOI:10.1016/j.neunet.2009.11.009]
34. Muleta, M.K. 2011. Model performance sensitivity to objective function during automated calibrations. Journal of hydrologic engineering, 17(6): 756-767. [DOI:10.1061/(ASCE)HE.1943-5584.0000497]
35. Mustafa, M.R., M.H. Isa and R.B. Rezaur. 2012. Artificial neural networks modeling in water resources engineering: infrastructure and applications. World Academy of Science, Engineering and Technology, 6(2): 317-325.
36. Parhizkari, M. 2019. Multi-objective operation optimization of hydropower reservoirs by MOPSO Case study: Karun Dam 5. Iran Water Resources Research, 15(1): 250-255 (In Persian).
37. Rajaee, T., S.A. Mirbagheri, M. Zounemat-Kermani and V. Nourani. 2009. Daily suspended sediment concentration simulation using ANN and neuro-fuzzy models. Science of the Total Environment, 407(17): 4916-4927. [DOI:10.1016/j.scitotenv.2009.05.016]
38. Samantaray, S. and D.K. Ghose. 2018. Evaluation of suspended sediment concentration using descent neural networks. Procedia Computer Science, 132: 1824-1831. [DOI:10.1016/j.procs.2018.05.138]
39. Schmitt, L.M. 2001. Theory of genetic algorithms. Theoretical Computer Science, 259(1-2): 1-61. [DOI:10.1016/S0304-3975(00)00406-0]
40. Tabatabaei, M., K. Solaimani, M.H. Roshan and A. Kavian. 2015. Estimation of Daily Suspended Sediment Concentration using Artificial Neural Networks and Data Clustering by Self-Organizing. Journal of Watershed Management Research, 5(10): 98-116 (In Persian).
41. Tabatabaei, M., A. Salehpour Jam and S.A. Hosseini. 2019. Presenting a New Approach to Increase the Efficiency of the Sediment Rating Curve Model in Estimating Suspended Sediment Load in Watersheds (Case Study: Mahabad-Chai River, Lake Urmia Basin, West Azarbayejan Province, Iran). Journal of Watershed Management Research, 10(19): 181-193 (In Persian). [DOI:10.29252/jwmr.10.19.181]
42. Tabatabaei, M., A. Salehpour Jam and S.A. Hosseini. 2019. Suspended sediment load prediction using non-dominated sorting genetic algorithm II. International Soil and Water Conservation Research, 7(2): 119-129. [DOI:10.1016/j.iswcr.2019.01.004]
43. Tabatabaei, M., A. Salehpour Jam and J. Mossafaei. 2020. Improvement of the efficiency of artificial neural network model in suspended sediment simulation using particle swarm optimization algorithm, DOI: 10.22092/ijwmse.2019.125871.1638 (In Persian).
44. Tayfur, G. 2012. Soft computing in water resources engineering: Artificial neural networks, fuzzy logic and genetic algorithms. WIT Press, Dorset, UK, 288 pp.
45. Ulke, A., G. Tayfur and S. Ozku. 2009. Predicting suspended sediment loads and missing datafor gediz river, Turkey. Journal of Hydrologic Engineering, 14(9): 954-965. [DOI:10.1061/(ASCE)HE.1943-5584.0000060]
46. Villalta, C.C. 2009. Multi-objective Optimization Approach for Land Use Allocation Based on Water Quality Criteria, Ph.D. Dissertation. The Puerto Rico University, Mayagüez, Puerto Rico, 276 pp.
47. Yee, K.Y., A.K. Ray and G.P. Rangiah. 2003. Multi-objective optimization of industrial styrene reactor. Computers and Chemical Engineering, 27: 111-130. [DOI:10.1016/S0098-1354(02)00163-1]
48. Zealand, C.M., D.H. Burn and S.P. Simonovic. 1999. Short term streamflow forecasting using artificial neural networks. Journal of Hydrology, 214(1): 32-48. [DOI:10.1016/S0022-1694(98)00242-X]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
