دوره 14، شماره 27 - ( بهار و تابستان 1402 )                   جلد 14 شماره 27 صفحات 122-115 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Choubin M, Bashirgonbad M. (2023). Evaluation of IHACRES, Conceptual Rainfall Runoff Model and Artificial Neural Network Models in Simulation and Stream flow Prediction in Bakhtiary River Basin. J Watershed Manage Res. 14(27), 115-122. doi:10.61186/jwmr.14.27.115
URL: http://jwmr.sanru.ac.ir/article-1-1209-fa.html
چوبین مرتضی، بشیرگنبد محمد. ارزیابی کارایی مدل هیدرولوژیکی IHACRES و شبکه عصبی مصنوعی به‌منظور پیش‌بینی جریان در رودخانه بختیاری پ‍‍ژوهشنامه مديريت حوزه آبخيز 1402; 14 (27) :122-115 10.61186/jwmr.14.27.115

URL: http://jwmr.sanru.ac.ir/article-1-1209-fa.html

ارزیابی کارایی مدل هیدرولوژیکی IHACRES و شبکه عصبی مصنوعی به‌منظور پیش‌بینی جریان در رودخانه بختیاری
مرتضی چوبین*1، محمد بشیرگنبد2
1- گروه برق، دانشکده فنی، دانشگاه ملایر
2- گروه مهندسی طبیعت، دانشکده منابع طبیعی و محیط زیست دانشگاه ملایر
چکیده:   (1375 مشاهده)
چکیده مبسوط
مقدمه و هدف: در سال­ های اخیر پیش‌بینی جریان در رودخانه یکی از مسائل مهم و مورد توجه برای مدیریت منابع آب در ایران است. این پیش‌بینی نیازمند آمار و اطلاعات است که متأسفانه اغلب حوضه‌های کشور فاقد داده‌های با کمیت و کیفیت مورد نظر می‌باشند. مدل‌سازی هیدرولوژیکی و استفاده از هوش مصنوعی از نمونه راهکارهایی است که برای برطرف کردن چالش عدم‌کفایت و عدم وجود داده­های باکیفیت مناسب در هیدرولوژی مورد استفاده قرار می‌گیرد. معیار انتخاب مدل مناسب برای این فرایند، ارزیابی عملکرد مدل‌ها با توجه به شرایط هیدرولوژیکی هر منطقه است.
مواد و روش‌ها: مدل­ های زیادی برای پیش‌بینی‌ جریان رودخانه مورد استفاده قرار می‌گیرند. در این تحقیق از مدل بارش-رواناب IHACRES و شبکه عصبی مصنوعی به‌عنوان مدل داده محور برای پیش‌بینی جریان، در رودخانه بختیاری استفاده شد. از داده‌های سال‌های 1984 تا 1994 به‌عنوان داده‌های مرحله واسنجی و از داده‌های سال‌های 1995 تا 2006 برای صحت­سنجی مدل هیدرولوژیکی استفاده شد. همچنین از شبکه Dence با تعداد نرون‌های 10، 20، 50 و 100 استفاده شد. معیار بهینه‌سازی Adam برای بهبود روند آموزشی در نظر گرفته شد و تابع خطای استفاده‌شده MSE است و تابع فعال‌ساز به علت پیوسته بودن داده‌ها sgmoid انتخاب شد.
یافته‌ها: نتایج ارزیابی مدل هیدرولوژیکی و شبکه عصبی مصنوعی با استفاده از شاخص‌های کلینگ-گوپتا، نش- ساتکلیف، ضریب تعیین، میانگین مربعات خطا و میانگین مطلق مورد بررسی قرار گرفت و نتایج نشان داد شبکه عصبی مصنوعی در کلیه معیارهای ارزیابی، نتایج بهتری در شبیه‌سازی جریان روزانه نسبت به مدل هیدرولوژیکی دارد. مقادیر معیارهای ارزیابی کلینگ-گوپتا، نش- ساتکلیف، ضریب تعیین، میانگین مربعات خطا، میانگین مطلق خطا در مرحله صحت­سنجی به‌ترتیب برای مدل هیدرولوژیکی و شبکه عصبی مصنوعی 0/74، 0/75، 0/77، 1/25، 0/7 و 0/94، 0/89، 0/89، 0/57، 0/26 محاسبه شد.
نتیجه‌گیری: بر اساس نتایج روش‌های مورد استفاده در تحقیق روش شبکه عصبی مصنوعی نسبت به مدل هیدرولوژیکی IHACRES پیش‌بینی دقیق‌تری از جریان روزانه رودخانه بختیاری دارد. توانایی قابل قبول شبکه عصبی در شبیه‌سازی جریان­ های اوج  علاوه بر شبیه‌سازی جریان روزانه از نتایج قابل‌توجه این تحقیق است.



 
واژه‌های کلیدی: بارش – رواناب، حوضه بختیاری، شبیه‌سازی جریان، مدل ­های داده محور
متن کامل [PDF 2487 kb]   (402 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: هيدرولوژی
دریافت: 1401/6/23 | پذیرش: 1401/8/17
فهرست منابع
1. Ahmadpour, A., S. Mirhashemi and P. Haghighat jou. 2020. Evaluation of Classical, Conceptual IHACRES and Hybrid ARMA-ANN Models in Simulation and Prediction of Daily Discharge of Maroun River. Iranian Journal of Soil and Water Research, 51(3): 727-736 (In Persian).
2. Ahooghalandari, M., M. Khiadani and G. Kothapalli. 2015. Assessment of Artificial Neural Networks and IHACRES models for simulating streamflow in Marillana catchment in the Pilbara, Western Australia. Australasian Journal of Water Resources, 19(2): 116-126. [DOI:10.1080/13241583.2015.1116183]
3. Andrews, F.T., B.F.W. Croke and A.J. Jakeman. 2011. An open software environment for hydrological model assessment and development. Environmental Modelling & Software, 26(10): 1171-1185. [DOI:10.1016/j.envsoft.2011.04.006]
4. Bashirgonbad, M. 2022. Rainfall-Runoff Modeling to Predict Maximum Daily Flow under Climate Change Conditions. Journal of Watershed Management Research, 13(26):115-124. [DOI:10.52547/jwmr.13.26.115]
5. Box, G.E.P., G.M. Jenkins, G.C. Reinsel and G.M. Ljung. 2015. Time series analysis: forecasting and control. John Wiley & Sons.
6. Braddock, R.D., M.L. Kremmer and L. Sanzogni. 1998. Feed-forward artificial neural network model for forecasting rainfall run-off. Environmetrics, 9(4): 419-432. https://doi.org/10.1002/(SICI)1099-095X(199807/08)9:4<419::AID-ENV312>3.0.CO;2-D [DOI:10.1002/(SICI)1099-095X(199807/08)9:43.0.CO;2-D]
7. Carcano, E.C., P. Bartolini., M. Muselli and L. Piroddi. 2008. Jordan recurrent neural network versus IHACRES in modelling daily streamflows. Journal of Hydrology, 362(3-4): 291-307. [DOI:10.1016/j.jhydrol.2008.08.026]
8. Chen, J and B.J. Adams. 2006. Integration of artificial neural networks with conceptual models in rainfall-runoff modeling. Journal of Hydrology, 318(1-4): 232-249. [DOI:10.1016/j.jhydrol.2005.06.017]
9. Croke, B.F.W. and A.J. Jakeman. 2008. Use of the IHACRES rainfall-runoff model in arid and semi arid regions. In: Howard, W., S. Sorooshian and K. D. Sharma (eds.) Hydrological Modelling in Arid and Semi-Arid Areas, Cambridge University Press, United Kingdom. 41-48 pp. [DOI:10.1017/CBO9780511535734.005]
10. Dye, P.J. and B.F.W. Croke. 2003. Evaluation of streamflow predictions by the IHACRES rainfall-runoff model in two South African catchments. Environmental Modelling & Software, 18(8): 705-712. [DOI:10.1016/S1364-8152(03)00072-0]
11. Ghorbani, M.A., A. Azani and L. Naghipour. 2016. Comparison of the Performance of Support Vector Machine with other Intelligent Techniques to Simulate Rainfall-Runoff Process. Journal of Watershed Management Research, 7(13): 103-92 (In Persian). [DOI:10.18869/acadpub.jwmr.7.13.103]
12. Goodarzi, M., B. Salahi and A. Hoseini. 2018. Assessment of IHACRES Model in Simulating River Discharge in Urmia Lake Basin. Iranian Journal of Watershed Management Science and Engineering, 12(43): 1-10 (In Persian).
13. Gupta, H.V., H. Kling., K.K. Yilmaz and G.F. Martinez. 2009. Decomposition of the mean squared error and NSE performance criteria: Implications for improving hydrological modelling. Journal of Hydrology, 377(1-2): 80-91. [DOI:10.1016/j.jhydrol.2009.08.003]
14. Hafezparast, M. and S. Marabi. 2021. Prediction of discharge using artificial neural network and IHACRES models due to climate change. Journal of Renewable Energy and Environment, 8(3): 75-85.
15. Jakeman, A. J and G. M. Hornberger. 1993. How much complexity is warranted in a rainfall-runoff model? Water Resources Research, 29(8): 2637-2649. [DOI:10.1029/93WR00877]
16. Karimpour, F., A. Darzi-Naftchali and M. Nadi. 2019. Technical Report"Performance Comparison of IHACRES Model and Artificial Neural Network to Predict the Flow of Sivand River. Journal of Watershed Management Research, 10(20): 262-267 (In Persian). [DOI:10.29252/jwmr.10.20.262]
17. McIntyre, N and A. Al-Qurashi. 2009. Performance of ten rainfall-runoff models applied to an arid catchment in Oman. Environmental Modelling & Software, 24(6): 726-738. [DOI:10.1016/j.envsoft.2008.11.001]
18. MINNS, A.W. and M.J. HALL. 1996. Artificial neural networks as rainfall-runoff models. Hydrological Sciences Journal, 41(3): 399-417. [DOI:10.1080/02626669609491511]
19. Modaresi, F., K. Ebrahimi and S. Araghinejad. 2022. Ranking Evaluation of Data-driven and Conceptual Modelling of Rainfall-Runoff Process in Monthly Time Scale. Irrigation and Water Engineering, 12(4): 258-273 (In Persian).
20. Mohammadi, K., H.R. Eslami and D.S.H. Dayani. 2005. Comparison of regression, ARIMA and ANN models for reservoir inflow forecasting using snowmelt equivalent (a case study of Karaj). Journal Of Agricultural Science and Technology (Jast), 21(7): 17-30.
21. Napolitano, G., F. Serinaldi and L. See. 2011. Impact of EMD decomposition and random initialisation of weights in ANN hindcasting of daily stream flow series: An empirical examination. Journal of Hydrology, 406(3): 199-214. [DOI:10.1016/j.jhydrol.2011.06.015]
22. Nash, J.E. and J.V. Sutcliffe. 1970. River flow forecasting through conceptual models part I-A discussion of principles. Journal of Hydrology, 10(3): 282-290. [DOI:10.1016/0022-1694(70)90255-6]
23. Nazeri Tahroudi, M., M. Amirabadyzadeh and M.J. Zeynali. 2018. Evaluation of the Accuracy of Artificial Intelligence and Regression Models in Simulation the Daily Temperature. Journal of Meteorology and Atmospheric Science, 1(1): 65-76 (In Persian).
24. Raman, H. and N. Sunilkumar. 1995. Multivariate modelling of water resources time series using artificial neural networks. Hydrological Sciences Journal, 40(2): 145-163. [DOI:10.1080/02626669509491401]
25. Tokar, A.S. and M. Markus. 2000. Precipitation-runoff modeling using artificial neural networks and conceptual models. Journal of Hydrologic Engineering, 5(2): 156-161. [DOI:10.1061/(ASCE)1084-0699(2000)5:2(156)]
26. Yang, T.C., P.S. Yu and C.C. Chen. 2005. Long-term runoff forecasting by combining hydrological models and meteorological records. Hydrological Processes, 19(10): 1967-1981. [DOI:10.1002/hyp.5658]
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