بهره گیری از روش های رگرسیون بردار پشتیبان و شبکه عصبی مصنوعی در مدلسازی بارش رواناب (مطالعه موردی: حوضه آبریز سد صفارود)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 بخش مهندسی اب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان

2 گروه مهندسی آب، دانشکده کشاورزی، دانشگاه باهنر کرمان، کرمان ، ایران

3 بخش مهندسی آب دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

چکیده

مدلسازی بارش رواناب در اکثر پروژه‌های مدیریت و برنامه‌ریزی منابع آب و کنترل سیلاب امری ضروری و پیچیده می‌باشد. در این تحقیق مدل‌هایی برای شبیه‌سازی فرآیند بارش رواناب در زیر حوضه سد صفا رود واقع در حوضه آبریز هلیل رود با استفاده از روش‌های شبکه عصبی مصنوعی پرسپترون چند لایه (MLP)، شبکه عصبی تابع شعاع مدار (RBF)، رگرسیون ماشین‌ بردار پشتیبان با توابع کرنل خطی (SVR Linear) و پایه شعاعی (SVR RBF) در محیط نرم افزاری IBM SPSS Modeler توسعه داده شده است. بدین منظور از داده‌های هیدرومتری ایستگاه هنجان و داده‌های بارش ایستگاه‌های هنجان، رابر، چشمه عروس و میدان واقع در منطقه مورد مطالعه طی دوره آماری 1394-1385 در مقیاس روزانه استفاده شد. 70 درصد داده‌ها به عنوان داده‌های آموزش و 30 درصد آنها به عنوان داده‌های آزمون مورد استفاده قرار گرفت. پس از محاسبۀ ضرایب همبستگی جزئی متغیرهای بارش و دبی، شش الگوی مختلف جهت مدلسازی رواناب روزانه ایستگاه هنجان تعیین شد. مقادیر شاخص‌های آماری متوسط قدر مطلق خطا (MAE)، مجذور میانگین مربعات خطا (RMSE) و ضریب همبستگی (R) در بهترین الگو‌ مرحله آزمون به ترتیب برابر 032/0، 229/0، 967/0 برای مدل SVR Linear 5 ایستگاه هنجان بدست آمدند. نتایج حاکی از عملکرد مناسب روش‌های MLP و SVR Linear در مدلسازی بارش رواناب در محدوده مورد مطالعه می‌باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Rainfall-Runoff modelling using Support Vector Regression and Artificial Neural Network Models ( Case study: SafaRoud Dam Watershed)

نویسندگان [English]

  • nazanin najibzade 1
  • Koroush qaderi 2
  • Mohmmad Mehdi Ahmadi 3
1 MSc student, Department of Water Engineering Shahid Bahonar University of kerman
2 Water engineering department, Agriculture faculty, Bahonar university of Kerman, Kerman, Iran.
3 Department of Water Engineering, Faculty of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran;
چکیده [English]

Rainfall-runoff modeling is an important and complex aspect in most water resource management and planning projects. In this study, Perespetron multi-layered artificial neural network (MLP), Radial basis function Neural Network (RBF), and support vector machine regression with linear kernel functions (SVR linear) were used to develop some models in SPSS to simulate Rainfall-runoff process in subarea of Safaroud dam, located in Halil Rood watershed.
To do so, hydrometric data of Hanjan station and rainfall data of Hanjan, Rabor, Cheshme Aroos, and Meidan stations, located in the studied area, were used. 70% of the data were used as training data and 30% were used as test data. After calculating the partial correlation coefficients of the rainfall and discharge, six different patterns were used to model the daily rainfall of Hanjan station. In the best pattern of the test level, for SVR Linear 5 model, Mean Absolute error (MAE), Root Mean Squared Error (RMSE) and correlation coefficient (r) were equal to 0.032, 0.229, and 0.967, respectively. The results proved the efficient performance of MLP and SVR Linear in Rainfall-runoff modeling in the studied area.

کلیدواژه‌ها [English]

  • Rainfall-Runoff
  • Support vector regression
  • Safaroud Dam
  • Artificial Neural Network
احمدی، ف.، رادمنش، ف.، میرعباسی نجف­آبادی، ر. (1394). مقایسه عملکرد روش­های ماشین بردار پشتیبان و شبکه­های بیزین در پیش­بینی جریان روزانه رودخانه (مطالعه موردی: رودخانه باراندوزچای).  نشریه پژوهش­های حفاظت آب و خاک. 6(22): 186-171.

دهقانی، ن.، وفاه خواه، م. (1395). مدل­سازی بارش رواناب با استفاده از شبکه عصبی ­مصنوعی و شبکه فازی ­عصبی ­تطبیقی در حوزه ­آبریز کسلیان. مدیریت حوزه آبخیز. 7(13): 137-128.

ستاری، م، ت.، رضازاده جودی، ع. (1397). مدل­سازی رواناب ماهانه با استفاده از روش­های داده­کاوی براساس الگوریتم­های انتخاب ویژگی. حفاظت منابع آب و خاک. 7(4): 53-39.

سلگی، ا.، رادمنش، ف. (1394). مدل­سازی هوشمند سری زمانی جریان ماهانه حوضه رودخانه شور قروه با شبکه عصبی مصنوعی. حفاظت آب و خاک. 22(1): 318-309.

سیدیان، س.م.، سلیمانی، م.، کاشانی، م. (1393). پیش­بینی دبی جریان رودخانه با استفاده از داده کاوی و سری زمانی. اکوهیدرولوژی. 1(3): 167-179.

عبداله­پور آزاد، م.ر.، ستاری، م.ت. (1394). پیش­بینی جریان روزانه رودخانه اهرچای با استفاده از روش­های شبکه­های عصبی مصنوعی (ANN) و مقایسه آن با سیستم استنتاج فازی-عصبی تطبیقی(ANFIS). نشریه پژوهش­های حفاظت آب و خاک. 1(22): 297-287.

قربانی، م.، ازانی، ع. (1394). مدل­سازی ­بارش رواناب ­با استفاده ­از مدل­های ­هوشمند هیبریدی. تحقیقات منابع­ آب ایران. 11(2): 150-146.

غلامعلی، غ.، وفاخواه، م. (1392). شبیه­سازی فرایند بارش رواناب با استفاده از شبکه عصبی مصنوعی و سیستم فازی عصبی تطبیقی (مطالعه موردی حوزه آبخیز حاجی قوشان). مدیریت حوزه آبخیز. 4(8): 136-120.

معتمدنیا، م.، نوح­گر، ا.، ملکیان، آرش.، صابری، م.، کریمی، کمال. (1396). پیش­بینی رواناب با استفاده از مدل­های هوشمند. اکوهیدرولوژی. 4(4): 968-955.

نیک بخت شهبازی، ع.، زهرایی، ب.، ناصری، م. (1391). پیش­بینی فصلی خشکسالی هواشناسی با استفاده از ماشین­های بردار پشتیبان. آب و فاضلاب. 2(23): 85-73.

نیک پور، م.ر.، ثانی خانی، ه.، محمودی بابلان، س.، محمدی، ع. (1396). کاربرد مدل­های Ls-SVM، ANN،WNN  وGEP  در شبیه­سازی بارش- رواناب رودخانۀ خیاوچای. اکوهیدرولوژی. 4(2): 639-627.

Badrzadeh, H., Sarukkalige, R., & Jayawardena, A. W. (2015). Hourly runoff forecasting for flood risk management: Application of various computational intelligence models. Journal of Hydrology, 529, 1633-1643.

Botsis, D., Latinopoulos, P., and Diamantaras, K. (2011). Rainfall- Runoff modeling using support vector regression and artificial neural networks, J. Rhodes, Greece.

Chanklan, R., Kaoungku, N., Suksut, K., Kerdprasop, K., & Kerdprasop, N. (2018). Runoff Prediction with a Combined Artificial Neural Network and Support Vector Regression. International Journal of Machine Learning and Computing, 8(1):39-43.

Chen, S.T., Yu, P.S. (2007). Pruning of support vector networks on flood forecasting. Journal of Hydrology, 347: 67– 78.

Chuan Wang.W.Wing Chau.K .(2009). A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series.Journal of Hydrology.374: 294-306.

Dibike, Y.B., Velickov, S., Solomatine, D.P., and Abbott, M.B. (2001). Model induction with support vector machines: introduction and applications. Journal of Computing in Civil Engineering 15(3), 208-216.

Erasto, P. (2001). Support Vector Machines-Backgrounds and Practice. Licentiate Thesis, University of Helsinki, Rolf Nevanlinna Institute, Faculty of Science.

Ghorbani, M.A., Ahmadzadeh, H., Isazadeh, M. and Terzi, O. (2016). A comparative study of artificial neural network (MLP, RBF) and support vector machine models for river flow prediction. Environmental Earth Sciences, 75(6): 1-14.

Solomatine, D.P., and Ostfeld, A. (2008). Data-driven modeling: some past experience and new approaches. Journal of Hydroinformatics, 10: 3-22.

Wang, W. C., Chau, K. W., Cheng, C. T., & Qiu, L. (2009). A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series. Journal of hydrology, 374(3), 294-306.

Yu, P.S., Chen, S.T., and Chang, I.F. (2006). Support vector regression for real-time flood stage forecasting. Journal of Hydrology 328, 704-716.