مدلسازی چندگامه پدیده های هیدروکلیماتولوژیکی با استفاده از مدل فصلانه موجک- شبکه عصبی

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

1 دانشکده مهندسی عمران - دانشگاه تبریز

2 دانشکده مهندسی عمران، دانشگاه تبریز

3 دانشکده مهندسی عمران، دانشگاه بناب

چکیده

با توجه به این ­که سری­ های زمانی هیدروکلیماتولوژیکی دارای سه جزء اصلی خودهمبسته، فصلانه و تصادفی می­ باشند و رفتار مدلهایی که تاکنون ارائه شده ­اند، نسبت به این اجزاء متفاوت بوده است، در این مقاله از داده­ های ماهانه بارش و رواناب حوضه Murrumbidgee استرالیا و داده ­های کمینه دمای ماهانه شهر تبریز برای ایجاد و ارزیابی مدل ترکیبی موجک- شبکه عصبی استفاده شده است. با توجه به این­ که توانایی مدل غیرخطی و خودهمبسته شبکه عصبی مصنوعی (ANN) (Artificial Neural Network) در مدلسازی یک گام بعد فرآیند­های هیدروکلیماتولوژیکی (Hydro-Climatological) اثبات شده است، در این مقاله توانایی مدل ANN با انتشار برگشتی خطا و همچنین ترکیب مدل ANN و تبدیل موجک (WANN) در مدل­سازی فصلانه فرآیند­های هیدروکلیماتولوژیکی برای پیش­ بینی چندگام بعد با به­ کارگیری کم­ترین ورودی بررسی شده است. به­ همین منظور ابتدا از مدل ANN و سپس از مدل WANN برای پیش ­بینی یک تا دوازده گام بعد استفاده شده است. در انتها کارایی همه مدل­ها با استفاده از معیارهای ارزیابی بررسی شده و مدل­ها با یکدیگر مقایسه شده‌اند. نتایج مدل­سازی بیانگر این است که استفاده از تبدیل موجک به­ عنوان پیش ­پردازش داده­ ها موجب شده با کمترین ورودی، دقت نتایج مدل­سازی در همه گام­ های پیش­ بینی به­ صورت مطلوبی افزایش یابد. برای سری زمانی رواناب موردمطالعه به­ دلیل ویژگی خودهمبسته ضعیف و حالت فصلانه چندتناوبه قابل‌توجه، مدل ANN نتایج ضعیفی را ارائه داد ولی استفاده از تبدیل موجک به ­عنوان پیش ­پردازش داده­ ها باعث بهبود نتایج در همه گام­ های پیش­ بینی نسبت به مدل ANN شد (تا 749%) و همچنین با افزایش مقیاس زمانی تجزیه به­ دلیل افزایش زیر سری ها و کنترل بهتر حالت فصلانه نتایج مناسب­ تری برای همه گام­ های پیش­ بینی حاصل شد. برای سری زمانی دما به ­دلیل ویژگی خودهمبسته قوی و حالت فصلانه تک ­تناوبه قابل‌توجه، مدل ANN نتایج نسبتاً مناسبی را ارائه داد ولی استفاده از تبدیل موجک به ­عنوان پیش ­پردازش داده ­ها باعث بهبود نتایج در همه گام ­های پیش­ بینی نسبت به مدل ANN شد (تا 18%) ولی عملاً تغییر مقیاس تجزیه، تفاوت چندانی را ایجاد نکرد.

کلیدواژه‌ها


عنوان مقاله [English]

Multistep Modeling of Hydroclimatic Phenomena Using Wavelet-Neural Network Seasonal Model

نویسندگان [English]

  • Hesam Najafi 1
  • Vahid Nourani 2
  • Elnaz Sharghi 2
  • Alireza Babaeian Amini 3
1 Faculty of Civil Engineering - University of Tabriz
2 Faculty of Civil Engineering, University of Tabriz, Tabriz. Iran
3 Faculty of Civil Engineering, University of Bonab, Bonab , Iran
چکیده [English]

In the present paper, the ability of the Artificial Neural Network (ANN) and combined wavelet-neural network (WANN) model were investigated for multistep modeling of hydroclimatic processes with the least input. For this purpose, the ANN model and then the WANN model were used to predict one to twelve steps in advance. Finally, the efficiencies of all models were examined using the evaluation criteria, and all models were compared with each other.

کلیدواژه‌ها [English]

  • Seasonal multistep modeling
  • ANN
  • WANN
  • Murrumbidgee catchment runoff
  • Tabriz minimum temperature
حسن­ زاده ی، آقاخانی افشار ا ح،" استفاده از مدل MIROC- ESM در بررسی شرایط هیدرو- اقلیمی حوضه آبخیز کوچک مقیاس تحت اثر تغییر اقلیم"، نشریه مهندسی عمران و محیط زیست دانشگاه تبریز، 1398، 94، 59-47.
نورانی و، رنجبر س، توتونچی ف، "بررسی تغییرات فرآینـدهای هیدرولوژیکی با استفاده از معیاره موجک- آنتروپی مطالعه موردی: دریاچه ارومیه"، نشریه مهندسی عمران و محیط زیست دانشگاه تبریز، 1394، 80، 86-75.
Abrahart RJ, Anctil F, Coulibaly P, Dawson Ch, Mount NJ, See L, Shamseldin A, Solomatine D, Toth E, Wilby LR, “Two decades of anarchy? Emerging themes and outstanding challenges for neural network river forecasting”, Progress in Physical Geography, 2012, 36, 480-513.
Addison PS, “The illustrated wavelet transform handbook: introductory theory and applications in science, engineering, medicine and finance”, CRC Press, 2002.
Antar MA, Elassiouti I, Alam MN, “Rainfall-runoff modeling using artificial neural networks technique: a Blue Nile catchment case study”, Hydrological Processes, 2006, 20, 1201-1216.
Chang FJ, Tsai MJ, “A nonlinear spatio-temporal lumping of radar rainfall for modeling multi-step-ahead inflow forecasts by data-driven techniques”, Journal of Hydrology, 2016, 535, 256-269.
Dinu C, Drobot R, Pricop C, Blidaru TV, “Flash-flood modelling with artificial neural networks using radar rainfall estimates”, Mathematical Modelling in Civil Engineering, 2017, 13, 10-20.
Grossmann A, Morlet J, “Decomposition of hardy function into square integrable wavelets of constant shape”, Journal on Mathematical Analysis, 1984, 154, 723-736
Khanghah TR, Nourani V, Parhizkar M, Sharghi E, “Application of information content to extract wavelet-based feature of rainfall–runoff process”, In Proceedings of the 12th WSEAS International Conference on Applied Computer Science, WSEAS, Greece, 2012, 148-153.
Kim T, Valdes JB, “Nonlinear model for drought forecasting based on a conjunction of wavelet transforms and neural networks”, Journal of Hydrologic Engineering, 2003, 8, 319-328.
Nourani V, Hosseini Baghanam A, Adamowski J, Kisi O, “Applications of hybrid wavelet-Artificial Intelligence models in hydrology: A review”, Journal of Hydrology, 2014, 514, 358-377.
Nourani V, Kisi Ö, Komasi M, “Two hybrid Artificial Intelligence approaches for modelling rainfall-runoff process”, Journal of Hydrology, 2011, 402, 41-59.
Sharghi E, Nourani V, Najafi H, Molajou A, “Emotional ANN (EANN) and wavelet-ANN (WANN) approaches for Markovian and seasonal based modeling of rainfall-runoff process”, Water Resources Management, 2018, 32, 3441-56.
Tankersley C, Graham W, Hatfield K, “Comparison of univariate and transfer function models of groundwater fluctuations”, Water Resources Reasearch, 1993, 29, 3517-3533.
Xie JX, Cheng CT, Chau KW, Pei YZ, “A hybrid adaptive time-delay neural network model for multi-step-ahead prediction of sunspot activity”, International Journal of Environment and Pollution, 2006, 28, 364-381.
Yang JS, Yu SP, Liu GM, “Multi-step-ahead predictor design for effective long-term forecast of hydrological signals using a novel wavelet neural network hybrid model”, Hydrology and Earth System Sciences, 2013, 17, 4981-4993.