مقایسه روش‌های تفکیک زمانی و شبکه‌های عصبی مصنوعی در پیش بینی فصلی جریان رودخانه

نوع مقاله : مقاله پژوهشی

نویسندگان

چکیده

جریان رودخانه به عنوان یکی از مولفه‌های اصلی در منابع آب،‏ جهت برنامه ریزی در مدیریت منابع آب و مطالعات بهره برداری مخزن از اهمیت چشمگیری برخوردار است. به همین دلیل استفاده از روش‌هایی جهت پیش بینی با عملکرد تفکیک متغیرهای هیدرولوژیکی به مقیاس‌های کوچکتر زمانی ضروری بنظر می‌رسد. در این تحقیق جهت تفکیک سری سالانه به سری‌های شش ماهه و ماهانه از روش تفکیک کننده و شبکه عصبی مصنوعی استفاده شد. مدل‌های روش تفکیک کننده مدل‌های پایه،‏ مبسوط و شبکه عصبی از نوع شبکه پیش خور با الگوریتم پس انتشار خطا (FFBP)‎ بودند. حوزه آبریز دریاچه ارومیه واقع در شمال غرب کشور به عنوان منطقه مطالعاتی جهت استفاده از آمار آبدهی انتخاب شد. آماره‌های نکویی برازش مدل‌های مورد بررسی RMSE, MR،‏ SE مبین عملکرد بهتر مدل مبسوط و شبکه عصبی در پیش بینی جریان فصلی در مقایسه با مدل پایه بودند ولی در تفکیک مقیاس‌های زمانی کوچکتر مدل مبسوط توصیه می‌شود. نتایج،‏ حاکی از افزایش اختلاف بین جریان مشاهداتی و تفکیکی در صورت وجود روند در مقادیر پیش بینی شده به علت تاثیر در مرحله تخمین پارامتر می‌باشد. خصوصیات آماری مانند میانگین و انحراف معیار توسط سه مدل حفظ شدند.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison between disaggregation and Artificial Neural Network (ANN) approaches for seasonal streamflow forecasting

نویسندگان [English]

  • L. Parviz
  • Dr-m khayat kholghi
  • M. Malmir
چکیده [English]

Water discharge is one of the main components for planning, management of water resources as well as studies of reservoir operation. Therefore it is necessary to use some methods for forecasting by disaggregation hydrological variables into finer time scales. In this research, artificial neural networks (ANN) have been used for disaggregation of annual into semi-annually and monthly series, disggregation. The models were basic, extended and feed forward back propagation (FFBP). Lake Uromiyeh river basin was selected as a case study for this study which is situated in North West of Iran. Streamflow data were taken from the rivers in the basin. Statistical measures including RMSE, MRE, and SE were calculated to investigate the accuracy of the results. The results indicated that the ANNs and extend models have better performance than basic model for seasonal streamflow forecasting but in smaller scales the extended model is recommended. Results indicated that the differences between observed and disaggregated streamflow series have been increased by presence trend in forecasted values because the effect of parameter estimation step. The statistical properties of variables like mean and standard deviation are also preserved using these models.

کلیدواژه‌ها [English]

  • Lake Uromiyeh River Basin
  • Artificial neural network
  • Streamflow
  • Temporal disaggregation