دوره 12، شماره 24 - ( پاییز و زمستان 1400 1400 )
جلد 12 شماره 24 صفحات 204-193 |
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:
shahbazbeygy E, yaghoubi B, shabanlou S. (2021). Optimization of ANFIS Network using Wavelet Transform for simulation of Long term Rainfall of Rasht City. jwmr. 12(24), 193-204. doi:10.52547/jwmr.12.24.193
URL: http://jwmr.sanru.ac.ir/article-1-1028-fa.html
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
گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران
چکیده: (2121 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.
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.
نوع مطالعه: پژوهشي |
موضوع مقاله:
هيدرولوژی
دریافت: 1398/4/9 | ویرایش نهایی: 1400/12/4 | پذیرش: 1400/1/18 | انتشار: 1400/6/10
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 پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
