صفحه اصلی فهرست مقالات مشخصات مقاله
اکوهیدرولوژی
شماره‌های پیشین نشریه
دوره دوره 5 (1397)
دوره دوره 4 (1396)
شماره شماره 4
زمستان 1396، صفحه 943-1268
شماره شماره 3
پاییز 1396، صفحه 641-941
شماره شماره 2
تابستان 1396، صفحه 301-639
شماره شماره 1
بهار 1396، صفحه 1-299
دوره دوره 3 (1395)
دوره دوره 2 (1394)
دوره دوره 1 (1393)
نیک پور, محمد رضا, ثانی خانی, هادی, محمودی بابلان, سجاد, محمدی, عارف. (1396). کاربرد مدل‏ های LS-SVM، ANN، WNN و GEP در شبیه‏ سازی بارش‌ـ رواناب رودخانۀ خیاوچای. اکوهیدرولوژی, 4(2), 627-639. doi: 10.22059/ije.2017.61501
محمد رضا نیک پور; هادی ثانی خانی; سجاد محمودی بابلان; عارف محمدی. "کاربرد مدل‏ های LS-SVM، ANN، WNN و GEP در شبیه‏ سازی بارش‌ـ رواناب رودخانۀ خیاوچای". اکوهیدرولوژی, 4, 2, 1396, 627-639. doi: 10.22059/ije.2017.61501
نیک پور, محمد رضا, ثانی خانی, هادی, محمودی بابلان, سجاد, محمدی, عارف. (1396). 'کاربرد مدل‏ های LS-SVM، ANN، WNN و GEP در شبیه‏ سازی بارش‌ـ رواناب رودخانۀ خیاوچای', اکوهیدرولوژی, 4(2), pp. 627-639. doi: 10.22059/ije.2017.61501
نیک پور, محمد رضا, ثانی خانی, هادی, محمودی بابلان, سجاد, محمدی, عارف. کاربرد مدل‏ های LS-SVM، ANN، WNN و GEP در شبیه‏ سازی بارش‌ـ رواناب رودخانۀ خیاوچای. اکوهیدرولوژی, 1396; 4(2): 627-639. doi: 10.22059/ije.2017.61501

کاربرد مدل‏ های LS-SVM، ANN، WNN و GEP در شبیه‏ سازی بارش‌ـ رواناب رودخانۀ خیاوچای

مقاله 27، دوره 4، شماره 2، تابستان 1396، صفحه 627-639  XML اصل مقاله (441 K)
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.22059/ije.2017.61501
نویسندگان
محمد رضا نیک پور 1؛ هادی ثانی خانی2؛ سجاد محمودی بابلان3؛ عارف محمدی3
1استادیار، گروه مهندسی آب، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی
2استادیار، گروه علوم و مهندسی آب، دانشکدۀ کشاورزی، دانشگاه کردستان
3کارشناس مهندسی آب، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی
چکیده
پیش‏بینی جریان رودخانه به‌منظور مدیریت و برنامه‏ریزی منابع آب در رودخانه‏ها، دریاچه‏ها، مخازن سدها و همچنین برای حفاظت کناره‏های رودخانه در زمان وقوع سیلاب انجام می‏گیرد. در این تحقیق از مدل‏های شبکه‏های عصبی مصنوعی، هیبرید‏ موجک‌ـ عصبی، برنامه‏ریزی بیان ژن و کمترین مربعات ماشین بردار پشتیبان به‌منظور تخمین جریان روزانۀ رودخانۀ خیاوچای استفاده شد. بدین‌منظور داده‏های دبی و بارش روزانۀ ایستگاه هیدرومتری پل سلطانی واقع بر رودخانۀ یادشده طی دورۀ آماری 1378‌ـ 1392 به‏کار گرفته شد. پس از محاسبۀ ضرایب همبستگی متقابل متغیرهای بارش و دبی، شش الگوی مختلف به‌منظور تخمین رواناب روزانه تعیین شد. برای ارزیابی مدل‏ها از شاخص‏های آماری و آزمون ANOVA استفاده شد. نتایج بیان‌کنندۀ برتری مدل هیبرید‏ موجک‌ـ عصبی با بیشترین ضریب همبستگی (877/0=R)، کمترین ریشۀ میانگین مربعات خطا (696/0=RMSE) و ضریب نش ساتکلیف برابر 767/0 در مرحلۀ صحت‏سنجی بود. نتایج آزمون آنوا نیز نتایج شاخص‏های آماری را تأیید کرد و مدل هیبرید موجک‌ـ عصبی با داشتن کمترین مقدار آمارۀ F (11/0) و بیشترین سطح معناداری (75/0) به‌عنوان بهترین مدل شناخته شد. در برآورد دبی بیشینه (سیلاب) نیز مدل یادشده با میانگین خطای نسبی 19/30 درصد، به مقدار شایان توجهی خطای کمتری نسبت به سایر مدل‏ها داشت.
 
 
 
 
 
 
 
کلیدواژه‌ها
بارش‌ـ رواناب؛ برنامه‏ ریزی بیان ژن؛ حداقل مربعات ماشین بردار پشتیبان؛ شبکۀ عصبی مصنوعی؛ هیبرید موجک- عصبی
موضوعات
اکوهیدرولوژی
مراجع

 

  1. Saeedi Farzad B. Intelligent simulation of rainfall-runoff using a semi-distributed model with time variables. Ph.D. thesis in civil engineering, Faculty of Engineering, University of Tabriz, Tabriz. 2014. [Persian]
  2. Whigham PA, Crapper PF. Modeling rainfall–runoff using genetic programming. Mathematical and Computer Modeling. 2001;33:707–721.
  3. Liong SY, Gautam TR, Khu ST, Babovic V, Keijzer M , Muttil N. Genetic programming: A new paradigm in rainfall runoff modeling. J Am Water Res Assoc. 2001;38:705-718.
  4. Jayawardena AW, Muttil N, Fernando TM. Rainfall-Runoff Modeling Using Genetic Programming. International Congress on Modeling and Simulation Society of Australia and New Zealand. 2005: 1841-1847.
  5. Aytek A, Alp M. An application of artificial intelligence for rainfall-runoff modeling. Journal of Earth System Science. 2008;117(2):145-155.
  6. Nourani V, Baghanam AH, Adamowski J, Gebremichael M. Using self-organizing maps and wavelet transforms for space–time pre-processing of satellite precipitation and runoff data in neural network based rainfall–runoff modeling. Journal of Hydrology. 2013;476:228-243.
  7. Nayak PC, Venkatesh B, Krishna B, Sharad KJ. Rainfall-runoff modeling using conceptual, data driven, and wavelet based computing approach. Journal of Hydrology. 2013;493:57-67.
  8. Badrzadeh H, Sarukkalige R, Jayawardena AW. Hourly runoff forecasting for flood risk management: Application of various computational intelligence models. Journal of Hydrolog. 2015;529:1633-1643.
  9. Nourani V. An Emotional ANN (EANN) approach to modeling rainfall-runoff process. Journal of Hydrology. 2016;544:267-277.
  10. Behzad M, Asghari K, Eazi M, Palhang M. Generalization performance of support vector machines and neural networks in runoff modeling. Expert Systems with applications. 2009;36(4):7624-7629.
  11. Botsis D, Latinopoulos P, Diamantaras K. Rainfall-Runoff Moeling Using Suport Vector Regression and Artificial Neural Networks. 12th International Conference on Environmental Science and Technology (CEST2011), Rhodes, Greece, 8-10 September. 2011
  12. Adamowski J. Using support vector regression to predict direct runoff, base flow and total flow in a mountainous watershed whit limited data in Uttaranchal, India. Journal of Land Reclamation. 2013;45(1):71-83.
  13. Ghorbani M. A., and Dehghani R. Application of Bayesian Neural Networks, Support Vector Machines and Gene Expression Programming Analysis of Rainfall - Runoff Monthly (Case Study: Kakarza River). Irrigation Science and Engineering. 2016;39(2):125-138. [Persian]
  14. Nazeri Tahroodi M, Hashemi R, Ahmadi F, Nazeri Tahroodi Z. Accuracy investigation of ANFIS, SVM and GP models in modelling of river discharge values. Journal of Echo Hydrology. 2016;3(3):361-347. [Persian]
  15. Vapnic VN. Statistical Learning Theory. Wiley, NEW YORK, USA. 1998
  16. Suykens JA, De Brabanter J, Lukas L, Vandewalle J. 2002. Weighted least squares support vector machines: robustness and sparse approximation. Neurocomputing. 2002;48(1):85-105.
  17. Ghafari G, Vafakhah M. Simulation of rainfall-runoff process using artificial neural network and adaptive neuro-fuzzy interface system (Case study: Hajighoshan watershed). Journal of Watershed Management Research. 2013;4(8):120-136. [Persian]
  18. Dehghani A, Zanganeh MA, Mosaedi A, Kouhestani N. Comparison of suspended load estimation using sediment rating curve and artificial neural networks. Journal of Researches on Water and Soil Conservation. 2009;16(1):30-41. [Persian]
  19. 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(1):358-377.
  20. Marofi S, Amir Moradi K, Parsafar N. River flow prediction using Artificial Neural Network and Wavelet Neural Network models (Case study: Barandozchay River). Journal of Water and Soil Science. 2013;23(3):93-103. [Persian]
  21. Ferreira C. Gene Expression Programming: a New Adaptive Algorithm for Solving Problems. Complex Systems. 2001;13(2):87–129.
  22. Ferreira C. Automatically defined functions in gene expression programming. In Genetic Systems Programming. Springer Berlin Heidelberg. 2006:21-56.
Yu P. S., Chen S. T., and Chang I. F. Support vector regression for real-time flood stage forecasting. Journal of Hydrology. 2006;328(3):704-716

آمار
تعداد مشاهده مقاله: 870
تعداد دریافت فایل اصل مقاله: 782