Journal of Watershed Management Research

fa بهینه سازی شبکه ANFIS با استفاده از تبدیل موجک برای شبیه سازی بارش دراز مدت شهر رشت Optimization of ANFIS Network using Wavelet Transform for simulation of Long term Rainfall of Rasht City هيدرولوژی هيدرولوژی پژوهشي Research <div style="text-align: justify;">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.   </div> <div style="text-align: justify;">Extended Abstract Introduction and Objective: Estimation and forecasting of precipitation pattern in different parts of the world, especially in arid and semi-arid regions such as Iran is very important. In addition, various numerical methods such as artificial intelligence methods due to high accuracy and speed have the ability to simulate the phenomenon of precipitation and similar subjects. The use of these techniques plays an important role in saving time and costs in field and laboratory studies. Therefore, the application and popularity of various artificial intelligence techniques to estimate and simulate different issues such as rainfall is increasing day by day. The purpose of this study is to estimate the long-term rainfall in Rasht by a hybrid ANFIS and wavelet transform model. Material and Methods: In this study, long-term rainfall of Rasht city was simulated using an optimum artificial intelligence model for a 62 years period from 1956 to 2017. In other words, the wavelet transform was utilized to enhance the performance of the ANFIS model and hybrid WANFIS (Wavelet-ANFIS) model was defined. Firstly, the effective lags of time series data were detected through the autocorrelation function (ACF). Then, using the lags, eight models were developed for each ANFIS and WANFIS model. It should be noted that 42 years data was applied for training and 20 years data to test the artificial intelligence models. Next, the number of optimal membership functions of ANFIS model was selected equal to two. Results: results of ANFIS 1 to ANFIS 8 were evaluated. Additionally, different mother wavelets were examined to optimize the ANFIS model. This means that the demy was introduced as the best mother wavelet for increasing the performance of the ANFIS model. The comparison between ANFIS and WANFIS models signified that the wavelet transform enhanced the performance of the ANFIS model. Also, results of the hybrid WANFIS models were analyzed, indicating that WANFIS 8 was the superior model. The model estimated the rainfall with an acceptable accuracy. For instance, the R, MARE and RMSE for the superior model were computed 0.961, 0.855 and 24.510, respectively. Additionally, the values of VAF and NSC for this model were respectively estimated as 92.273 and 0.913. Conclusion: Results showed that (t-1), (t-2), (t-3) and (t-12) were identified as the most influenced lags for estimation of long-term rainfall of Rasht city using the hybrid WANFIS model.</div> بارش دراز مدت, بهینه سازی, تبدیل موجک, شبیه سازی, شهر رشت, ANFIS ANFIS, Long-term rainfall, Optimization, Rasht city, Simulation, Wavelet transform 193 204 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1457-1&slc_lang=fa&sid=1 ebrahim shahbazbeygy ابراهیم شهبازبیگی ebrahim.shahbazbeygi@gmail.com 100319475328460011344 100319475328460011344 No Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران behrouz yaghoubi بهروز یعقوبی behrouz.yaghoubi.h@gmail.com 100319475328460011345 100319475328460011345 Yes Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران saeid shabanlou سعید شعبانلو saeid.shabanlou@gmail.com 100319475328460011346 100319475328460011346 No Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران