پیش‌بینی تراز سطح آب با استفاده از مدل ترکیبی پویایی سیستم و شبکه عصبی فازی موجکی

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

1 دانشکده مهندسی، گروه مهندسی آب و سازه های هیدرولیکی، دانشگاه آیت اله العظمی بروجردی (ره)، بروجرد

2 گروه سازه های آبی، دانشگاه بوعلی سینا، همدان

3 گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی، دانشگاه آیت اله العظمی بروجردی (ره)، بروجرد

چکیده

چالش منابع آب امروزه مشکل بسیاری از کشورهای خاورمیانه است و این واقعیت در مورد دریاچه ارومیه که تراز سطح آب آن، با توجه به تغییرات بارش، خشک‌سالی و سدسازی دچار تغییرات و نوسانات زیادی شده است، دارای اهمیت بیشتری می‌باشد. هدف اصلی این مقاله بررسی قابلیت روش پویایی سیستم، SD (System Dynamic)، برای پیش‌بینی نوسانات سطح آب با استفاده از شبکه عصبی فازی تطبیقی موجکی، WANFIS (Wavelet Adaptive Neuro-Fuzzy Inference Systems)، می‌باشد. به همین دلیل، یک مدل شبیه‌سازی بر پایه پویایی سیستم برای حوضه آبریز دریاچه ارومیه توسعه داده شد. سپس، برای پیش‌بینی سطح آب، عوامل مؤثر بر آن مانند بارش، دبی و تبخیر با استفاده از مدل WANFIS پیش‌بینی شده و نتایج حاصل از پیش‌بینی وارد مدل پویایی سیستم می‌گردد و سپس سطح آب محاسبه می‌شود. نتایج مدل ­سازی نشان داد که مدل ترکیبی پویایی سیستم و شبکه عصبی فازی تطبیقی موجکی (SD-WANFIS) دارای عملکرد مناسبی می‌باشد. مقادیر شاخص‌های آماری مانند جذر میانگین مربعات خطا و ضریب تبیین برای مدل ترکیبی پویایی سیستم و شبکه عصبی فازی موجکی در مرحله صحت­ سنجی به ­ترتیب 31/0 متر و 84/0 می‌باشد. درحالی ­که این شاخص ­ها برای مدل جعبه سیاه خطی خود همبسته میانگین متحرک تلفیق‌شده، ARIMA (Auto Regressive Integrated Moving Average) برابر 61/0 متر و 53/0 می‌باشند. این نتایج نشان داد که ترکیب این دو مدل SD و مدل فازی WANFIS جهت پیش‌بینی با دقت مناسب، مفید می‌باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Lake Water Level Forecasting using Wavelet-ANFIS and System Dynamic Model

نویسندگان [English]

  • Mehdi Komasi 1
  • Neda Gheshlaghi 2
  • Soroush Sharghi 3
1 Faculty of Engineering, Water Engineering and Hydraulic Structures, University of Ayatollah Ozma Borujerdi, Borujerd, Iran
2 Hydraulic Structures, Bu Ali Sina University, Hamedan, Iran
3 Faculty of Engineering, Water Engineering and Hydraulic Structures, University of Ayatollah Ozma Borujerdi, Borujerd, Iran
چکیده [English]

Nowadays challenge of water resource is a problem of many countries in the Middle East. This fact about Urmia Lake in Iran has more importance in the recent decade. Urmia Lake water level has involved many changes and fluctuations due to rainfall changes, droughts and dam constructions. The main purpose of this article is an investigation of System Dynamic (SD) methods for forecasting water level fluctuations using Wavelet Adaptive Neuro-Fuzzy Inference System (WANFIS).

کلیدواژه‌ها [English]

  • Adaptive neuro-fuzzy inference system
  • System dynamic
  • Urmia lake
  • Wavelet
Addison PS, Murrary KB, Watson JN, “Wavelet transform analysis of open channel wake flows”, Journal of Engineering Mechanics, 2001, 127 (1), 58-70.
Alizadeh MJ, Mohammadnia Joneyd P, Motahhari M, “A Wavelet-ANFIS model to estimate Sedimentation in dam reservoir”, International Journal of Computer Applications, 2015, 114 (9), 19-25.
Belayneh A, Adamowski J, “Standard precipitation index drought forecasting using neural networks, wavelet neural networks, and support vector regression”, Applied Computational Intelligence and Soft Computing, 6, 2012.
Cannas B, Fanni A, Sias G, Tronei S, Zedda MK, “River flow forecasting using neural networks and wavelet analysis”, Proceedings of the European Geosciences Union 2006, 234-243.
Chang FJ, Chang YT, “Adaptive neuro-fuzzy inference system for prediction of water level in reservoir”, Advances in Water Resources, 2006, 29 (1), 1-10.
Eimanifar A, Mohebbi F, “Urmia Lake (northwest Iran): A brief review”, Saline Systems, 2007, 3 (5), 1-8.
Forrester JW, “Industrial dynamics. MIT Press”, Cambridge, 1961.
Gastelum RJ, Valdés JB, Stewart S, “A system dynamics model to evaluate temporary water transfers in the Mexican Conchos Basin”, Water Resources Management, 2010, 24 (11), 1285-1311.
Ghashghaei M, Bagheri A, Morid A, “Rainfall-runoff modeling in a watershed scale using an object oriented approach based on the concepts of system dynamics”, Water Resour Manage, 2013, 27 (15), 5119-5141.
Hassanzadeh E, Zarghami M, Hassanzadeh Y, “Determining the main factors in declining the Urmia Lake level by using system dynamics modeling”, Water Resources Management, 2012, 26 (1), 129-145.
Jang JSR, Sun CT, “Neuro-fuzzy modeling and control”, Proc IEEE, 1995, 83 (3), 378-406.
Jang JSR, Sun CT, Mizutani E, “Neuro-fuzzy and soft computing: a computational approach to learning and machine intelligence”, Prentice-Hall, Eaglewood Cliffs, 1997, 665-685.
Kwon HH, Lall U, Khalil AF, “Stochastic simulation model for nonstationary time series using an autoregressive wavelet decomposition: Applications to rainfall and temperature”, Water Resources research, 2007, 43 (5), 1-15.
Mallat S, “A wavelet tour of signal processing, 2nd Ed”, Academic Press, San Diego, CA, 1998.
Nourani V, Baghanam AH, 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 O, Komasi M, “Two hybrid Artificial Intelligence approaches for modeling rainfall-runoff process”, Journal of Hydrology, 2011, 402 (1), 41-59.
Nourani V, Komasi M, Alami MT, “Hybrid Wavelet-Genetic programming approach to optimize ANN modeling of Rainfall-Runoff process”, Journal of Hydrologic Engineering, 2012, 17 (6), 724-741.
Nozari H, Heydari M, Azadi S, “Simulation of a right abshar irrigation network and its cropping pattern using a system dynamics approach”, Journal of Irrigation and Drainage Engineering, 2014, 140 (12), 05014008.
Partal T, Kisi O, “Wavelet and neuro-fuzzy conjunction model for precipitation forecasting”, Journal of Hydrology, 2007, 342 (1), 199-212.
Salas JD, Delleur JW, Yevjevich V, Lane WL, “Applied Modeling of Hydrological Time Series, first ed”, Water Resources Publications, Littleton, 1980.
Sima S, Tajrishy M, “Using satellite data to extract volume-area-elevation relationships for Urmia Lake, Iran”, Journal of Great Lakes Research, 2013, 39 (1), 90-99.
Simonovic SP, Ahmad S, “System dynamics modeling of reservoir operation for flood management”, Journal of Computing in Civil Engineering, 2002, 14 (3), 190-198.
Sterman JD, “Business dynamics, systems thinking and modeling for a complex world”, McGraw Hill, Boston, 2000.
Wang W, Ding J, “Wavelet network mdel and Its application to the prediction of hydrology”, Nature and Science, 2003, 1 (1), 67-71.
Wang WC, Chau KW, Cheng CT, Qiu L, “A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series”, Journal of Hydrology, 2009, 374 (3), 294-306.
Winz I, Brierley G, Trowsdale S, “The use of system dynamics simulation in water resources management”, Water Resources Management, 2009, 23 (11), 1301-1323.