دوره 12، شماره 24 - ( پاییز و زمستان 1400 1400 )                   جلد 12 شماره 24 صفحات 286-273 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Afshin N, Emadi A, Fazl-ola R, Zamanzad-Ghavidel S. (2021). Prediction of Coastal Wave Height using Hybrid-Wavelet Methods of Artificial Intelligence (Case study: Amirabad Port of the Caspian Sea). jwmr. 12(24), 273-286. doi:10.52547/jwmr.12.24.273
URL: http://jwmr.sanru.ac.ir/article-1-1110-fa.html
افشین نیما، عمادی علیرضا، فضل اولی رامین، زمان زاد قویدل سروین. پیش ‌بینی ارتفاع امواج ساحلی با استفاده از روش ‌های هیبریدی- موجک هوش مصنوعی (مطالعه موردی: بندر امیرآباد دریای خزر) پ‍‍ژوهشنامه مديريت حوزه آبخيز 1400; 12 (24) :286-273 10.52547/jwmr.12.24.273

URL: http://jwmr.sanru.ac.ir/article-1-1110-fa.html

پیش ‌بینی ارتفاع امواج ساحلی با استفاده از روش ‌های هیبریدی- موجک هوش مصنوعی (مطالعه موردی: بندر امیرآباد دریای خزر)
نیما افشین ، علیرضا عمادی ، رامین فضل اولی ، سروین زمان زاد قویدل
دانشگاه علوم کشاورزی و منابع طبیعی ساری
چکیده:   (2176 مشاهده)
چکیده مبسوط
مقدمه و هدف: امروزه با توجه به تغییرات اقلیمی و تأثیر آن بر وضعیت امواج دریا و خطرات ناشی از شدت آن، ارزیابی و برآورد ارتفاع موج شاخص در دریاها از اهمیت بسیار بالایی برخوردار است. پیش­بینی ارتفاع موج شاخص در بندر امیرآباد با به کارگیری ترکیبی از متغیرهای معرف خصوصیات امواج و هواشناسی، توسعه مدل­ های هوش مصنوعی و اغتشاش­زدایی داده­ها با به کارگیری تئوری موجک و نهایتاً استخراج روابط ریاضی حاکم بر اصول مهندسی دریا-هواشناسی جهت تخمین ارتفاع موج از اهداف و نوآوری­ های منحصر به فرد در این مطالعه، می ­باشد.
مواد و روش­ها: در این تحقیق، ارتفاع امواج در بندر امیرآباد دریای خزر، با استفاده از روش­ های منفرد و هیبریدی-موجک هوش مصنوعی، از جمله شبکه عصبی مصنوعی (ANN, WANN) پرسپترون چند لایه با الگوریتم آموزشی لونبرگ-مارگارت، سامانه استنتاجی فازی-عصبی تطبیقی (ANFIS, WANFIS) و برنامه ­ریزی بیان ژن (GEP, WGEP) در گام ­های زمانی بدون تأخیر، تأخیر زمانی 3 و 6 ساعته، برآورد شده است. بدین منظور، از داده ­های امواج و هواشناسی با مقیاس ساعتی در سال 2018 میلادی، استفاده شده است.
یافته­ها: نتایج حاکی از این است که حذف اغتشاش توسط آنالیز موجک توانایی ارتقاء عملکرد در همه مدل­ ها را دارد. همچنین، در این پژوهش مدل‏های هیبریدی-موجک نتایج بهتری را نسبت به مدل‏ های منفرد ارائه داده ‏اند. در میان تمامی مدل‏ها برای همه گام­ های زمانی، مدل WGEP بهترین مدل و ANN ضعیف‏ ترین مدل بوده است. از میان مدل‌های مورد بررسی در این تحقیق مدل WGEP درگام زمانی بدون تأخیر به ­ترتیب با ضریب همبستگی و کارایی 0/96 و 0/98 و ریشه میانگین مربعات خطا و میانگین قدرمطلق خطا  0/037 و 0/087 متر، مناسب‌ترین مدل بوده است. همچنین مدل ANN منفرد در گام زمانی با تأخیر 6 ساعته کمترین مقدار ضریب همبستگی و کارایی و بیشترین مقدار ریشه میانگین مربعات خطا و میانگین قدرمطلق خطا به ترتیب به­میزان 0/509، 0/607، 0/181 و 0/286 را داشته است.
نتیجه­گیری: نتایج سه روش منفرد و هیبرید-موجک به کار گرفته شده، می‏تواند برای برآورد ارتفاع موج شاخص در بندر امیرآباد قابل قبول باشد. همچنین، اغتشاش­ زدایی داده­ های مشاهداتی بسیاری از خطاهای اندازه­گیری را کاهش داده و باعث افزایش عملکرد مدل­های هوش مصنوعی می­گردد. این مطالعه تأثیر بسزایی در مدیریت بحران و سواحل داشته و می­ تواند الگویی راهبردی برای مدیران و سیاست گزاران و محققان جهت تحقیقات آتی باشد.
 
واژه‌های کلیدی: ارتفاع موج شاخص، بندر امیرآباد، پیش ­بینی، موجک، هوش مصنوعی
متن کامل [PDF 2452 kb]   (444 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: ساير موضوعات وابسته به مديريت حوزه آبخيز
دریافت: 1399/6/26 | ویرایش نهایی: 1400/12/4 | پذیرش: 1399/9/13 | انتشار: 1400/6/10
فهرست منابع
1. Abhigna, P., S. Jerritta, R. Srinivasan and V. Rajendran. 2017. Analysis of feed forward and recurrent neural networks in predicting the significant wave height at the moored buoys in Bay of Bengal. International Conference on Communication and Signal Processing (ICCSP), 1856-1860. [DOI:10.1109/ICCSP.2017.8286717]
2. Akbarifard, S. and F. Radmanesh. 2018. Predicting sea wave height using Symbiotic Organisms Search (SOS) algorithm. Ocean Engineering, 167: 348-356. [DOI:10.1016/j.oceaneng.2018.04.092]
3. Ali, M. and R. Prasad. 2019. Significant wave height forecasting via an extreme learning machine model integrated with improved complete ensemble empirical mode decomposition. Renewable and Sustainable Energy Reviews, 104: 281-295. [DOI:10.1016/j.rser.2019.01.014]
4. Alvisi, S., G. Mascellani, M. Franchini and A. Bardossy. 2006. Water level forecasting through fuzzy logic and artificial neural network approaches. Hydrology and Earth System Sciences, 10(1): 1-17. [DOI:10.5194/hess-10-1-2006]
5. Barzegar, R., J. Adamowski and A.A. Moghaddam. 2016. Application of wavelet-artificial intelligence hybrid models for water quality prediction: a case study in Aji-Chay River, Iran. Stochastic Environmental Research and Risk Assessment, 30(7): 1797-1819. [DOI:10.1007/s00477-016-1213-y]
6. Chiu, S.L. 1995. Extracting fuzzy rules for pattern classification by cluster estimation. In: The 6th Internat. Fuzzy Systems Association World Congress, 1-4.
7. Daubechies, I. 1992. Ten Lectures on Wavelets, SIAM, ISBN 978-0-89871-274-2 [DOI:10.1137/1.9781611970104]
8. Deka, P.C. and R. Prahlada. 2012. Discrete wavelet neural network approach in significant wave height forecasting for multistep lead time. Ocean Engineering, 43: 32-42. [DOI:10.1016/j.oceaneng.2012.01.017]
9. Dixit, P., S. Londhe and Y. Dandawate. 2015. Removing prediction lag in wave height forecasting using Neuro-wavelet modeling technique. Ocean Engineering, 93: 74-83. [DOI:10.1016/j.oceaneng.2014.10.009]
10. Fernández, J.C., S. Salcedo-Sanz, P.A. Gutiérrez, E. Alexandre and C. Hervás-Martínez. 2015. Significant wave height and energy flux range forecast with machine learning classifiers. Engineering Applications of Artificial Intelligence, 43: 44-53. [DOI:10.1016/j.engappai.2015.03.012]
11. Ferreira, C. 2006. Designing neural networks using gene expression programming. In Applied soft computing technologies: The challenge of complexity. Springer, Berlin, Heidelberg, 517-535. [DOI:10.1007/3-540-31662-0_40]
12. Gopinath, D.I. and G.S. Dwarakish. 2015. Wave prediction using neural networks at New Mangalore Port along west coast of India. Aquatic Procedia, 4(4): 143-150. [DOI:10.1016/j.aqpro.2015.02.020]
13. Hosseini, M., A. Roshani and I. zabbah. 2020. Modeling of groundwater fluctuations based on artificial intelligence methods (Case study: Zawah-Torbat Heidarieh plain). Journal of Watershed Management Research, 11(21): 223-235.
14. Jain, S.K., A. Das and D.K. Srivastava. 1999. Application of ANN for reservoir inflow prediction and operation. Journal of Water Resources Planning and Management. ASCE, 125(5): 263-271. [DOI:10.1061/(ASCE)0733-9496(1999)125:5(263)]
15. Jain, P., M.C. Deo, G. Latha and V. Rajendran. 2011. Real time wave forecasting using wind time history and numerical model. Ocean Modeling, 36: 262-392. [DOI:10.1016/j.ocemod.2010.07.006]
16. Mafi, S. and G. Amirinia. 2017. Forecasting hurricane wave height in Gulf of Mexico using soft computing methods. Ocean Engineering, 146: 352-362. [DOI:10.1016/j.oceaneng.2017.10.003]
17. Malekmohamadi, I., M.R. Bazargan-Lari, R. Kerachian, M.R. Nikoo and M. Fallahnia. 2011. Evaluating the efficacy of SVMs, BNs, ANNs and ANFIS in wave height prediction. Ocean Engineering, 38(2-3): 487-497. [DOI:10.1016/j.oceaneng.2010.11.020]
18. McCulloch, W.S. and W. Pitts. 1943. A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, 5(4): 115-133. [DOI:10.1007/BF02478259]
19. Montaseri, M., S.Z.Z. Ghavidel and H. Sanikhani. 2018. Water quality variations in different climates of Iran: toward modeling total dissolved solid using soft computing techniques. Stochastic Environmental Research and Risk Assessment, 32(8): 2253-2273. [DOI:10.1007/s00477-018-1554-9]
20. Nitsure, S.P., S.N. Londhe and K.C. Khare. 2012. Wave forecasts using wind information and genetic programming. Ocean Engineering, 54: 61-69. [DOI:10.1016/j.oceaneng.2012.07.017]
21. Ozger, M. 2010. Significant wave height forecasting using wavelet fuzzy logic approach. Ocean Engineering, 37: 1443-1451. [DOI:10.1016/j.oceaneng.2010.07.009]
22. Rifat, T.U.R., D.S. Pekpostalci, Ö.A., Küçükosmanoğlu and A. Küçükosmanoğlu. 2017. Prediction of significant wave height along konyaaltı coast. International Journal of Engineering and Applied Sciences, 9(4): 106-114. [DOI:10.24107/ijeas.368922]
23. Savitha, R. and A. Al Mamun. 2017. Regional ocean wave height prediction using sequential learning neural networks. Ocean Engineering, 129: 605-612. [DOI:10.1016/j.oceaneng.2016.10.033]
24. Takagi, T. and M. Sugeno. 1985. Fuzzy identification of systems and its applications to modeling and control. IEEE Transactions on Systems, Man and Cybernetics, 15(1): 116-132. [DOI:10.1109/TSMC.1985.6313399]
25. Yousefi, M., M. pajouhesh and A. honarbakhsh. 2020. Modeling trends land use changes local by using LCM model based on artificial neural networks and markov chain analysis (Case Study: BeheshtAbad Watershed). Journal of Watershed Management Research, 11(21): 129-142.
26. Zubier, K.M. 2020. Using an artificial neural network for wave height forecasting in the Red Sea.Indian Journal of Geo Marine Sciences, 49(02): 184-191.
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