بررسی کارایی مدل KNN و درخت M5 در مدل‌سازی جریان رودخانه: مطالعه موردی ایستگاه سرمو

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی علوم آب، دانشگاه بیرجند

2 استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند

چکیده

پیش‌بینی دقیق دبی جریان نکته کلیدی در برنامه‌ریزی و مدیریت بهینه منابع آب به شمار می‌آید. حوضه­ی گرگانرود، یکی از حوضه‌های بخش شمالی کشور و واقع در استان گلستان است. تاثیر خشک‌سالی و ترسالی بر نوسانات پایه و جریان کل رودخانه، نقش عمده‌ای را در برنامه‌ریزی بهره‌برداری از منابع آب حوضه دارد. در این تحقیق از مدل KNN و درخت تصمیم M5 به‌عنوان یکی از شیوه‌های داده‌کاوی برای برآورد دبی جریان رودخانه گرگانرود واقع در ایستگاه سرمو بهره گرفته­شد. بدین منظور از داده‌های بارندگی و دبی جریان ایستگاه سرمو واقع در محمدآباد تحت پنج سناریوی مختلف و با اعمال توابع انتقال بر روی داده‌ها، بهره گرفته­شد. نتایج نشان داد که مدل درخت تصمیم M5 در اکثر مواقع بر مدل KNN برتری دارد و پیش‌بینی دقیق‌تری را حاصل می‌نماید. همچنین در میان سناریوهای تعریف شده، مدل b و c که به ترتیب شامل تمامی داده‌ها و داده‌های بارندگی روزانه، بارندگی روز قبل و بارندگی دو روز قبل می‌باشند، تحت تابع انتقال میانگین متحرک پنج روزه با داشتن معیار  برابر 999/0 و معیار MAE و RMSE برابر 001/0 دقیق‌ترین برآورد را نتیجه می‌دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Investigation of Ability of KNN and M5 Trees Models in River Flow Modeling: Case Study Sarmo Stations

نویسندگان [English]

  • Atena Khalili Naft Chali 1
  • Hosein Khozeymehnezhad 2
1 PhD student of water Science Engineering, University of Birjand
2 Associate professor, Department of water Science Engineering, University of Birjand
چکیده [English]

Prediction of the flow discharge accurately is a key point in the optimum planning and management of water resources. The Ghorghanrood watershed is one of the watersheds in the north of Iran that it is located in Gholestan Province. The impact of drought and rain on basic fluctuations and overall flow of the river plays a major role in planning of implementation of watershed resources. In this research, the KNN model and M5 decision tree were used as one of the methods of data-mining for estimating the flow discharge of Ghorghanrood River that it is located in Sarmo Station. In this regard, the raining and flow discharge data of Sarmo Station (in Mohammadabad) under five various scenarios by applying transfer functions on the data. The results showed that M5 decision tree has mostly superiority over KNN model and reaches more accurate prediction. Also, in the defined scenarios, the b and c models which respectively include all data and daily raining data, last day raining and two days before raining, result the most accurate estimation. These two scenarios are under the transfer function, the five-day moving mean  and have R2 standard of 0.999 and MAE and RMSE standards of 0.001.

کلیدواژه‌ها [English]

  • transfer functions
  • data-mining
  • discharge
  • decision tree
  • scenario
حسین­زاده،م،م.، عمادالدین،س.، نامجو،ف. 1394. پهنه­بندی و واکاوی فرایندهای هوازدگی در حوضه قره­سو گرگان. فصل­نامه جغرافیای طبیعی. 8. 29: 18-1.
ستاری،م،ت.، نهرین،ف. 1392. پیش­بینی مقادیر حداکثر بارش روزانه با استفاده از سیستم­های هوشمند و مقایسه آن با مدل درختی M5 ؛ مطالعه موردی ایستگاه­های اهر و جلفا. فصلنامه علمی پژوهشی مهندسی آبیاری و آب. 4. 14 : 83- 98.
شریف­آذری،س.، عراقی­نژاد،ش. 1392. ﺗﻮسعه ﻣﺪل ﻧﺎﭘﺎراﻣﺘﺮی ﺷﺒﻴﻪ­ﺳﺎز دادهﻫﺎی ﻣﺎﻫﺎﻧه ﻫﻴﺪروﻟﻮژﻳﻜﻲ. مجله مدیریت آب و آبیاری. 3. 1: 83-95.
طالبی،ع.، اکبری،ز. 1392. بررسی کارایی مدل درختان تصمیم گیری در برآورد رسوبات معلق رودخانه­ای (مطالعه موردی: حوضه سد ایلام). مجله علوم و فنون کشاورزی و منابع طبیعی. علوم آب و خاک. 17. 63: 109-121.
ظهیری،ع.، قربانی،خ. 1392. شبیه­سازی دبی جریان در مقاطع مرکب به کمک مدل درخت تصمیم M5. مجله پژوهش­های حفاظت آب و خاک. 20. 3: 113-132.
عزمی،م.، عراقی نژاد،ش. 1391. توسعه روش رگرسیون k- نزدیک­ترین همسایگی در پیش­بینی جریان رودخانه. مجله آب و فاضلاب. 2: 108-119.
کریمی ماسوله،ح.، احمدوند،م.، معاضد،ه. 1388. کاربرد شبکه­های عصبی در پیش­بینی دبی رودخانه کارون بر اساس داده­های آماری بارندگی شش ماه گذشته ایستگاه­های بالادست، هشتمین سمینار بین المللی مهندسی رودخانه، اهواز، دانشگاه شهید چمران.
نقدی بانسوله،ک.، موسوی،ج.  ۱۳۹۲. پیش­بینی جریان ورودی به مخزن سد زاینده­رود با استفاده از الگوریتم پیش­بینی K- نزدیک ترین همسایگی (KNN). پنجمین کنفرانس مدیریت منابع آب ایران. تهران. انجمن علوم و مهندسی منابع آب ایران. دانشگاه شهید بهشتی
Hand.D., Heikki,M and Padhraic,S. 2001. Principles of Data Mining. A Bradford book. The MIT press. Cambridge, Massachusetts, London, England.
Jagtap,S.S., Lall,U., Jones,J.W., Gijsman,A.J., Ritchie.J.T. 2004. Dynamic nearest-neighbor method for estimating soil water parameters. Transactions of  the ASAE. 47:1437–1444.
Lall,U., Sharma,A. 1996. A nearest neighbor bootstrap for resampling hydrologic time series. Water Resources Research. 32.3: 679-694.
Londhe,S,N., Dixit,P,R. 2011. Forecasting Stream Flow Using Model Trees. International Journal of Earth Sciences and Engineering. 4.6: 282-285.
Quinlan,J.R. 1992.  Learning with continuous classes. Proceedings of the 5th Australian Joint Conference on Artificial Intelligence (AI’92).  Singapore: World Scientific. pp. 343–348.
SattariM.T., Pal,M., Apaydin,H., Ozturk,F. 2013. M5 model tree application in daily river flow forecasting in Sohu stream, Turkey. Water Resources. 40.3: 233-242.
Twarakavi,N.K.C., Šimůnek,J and Schaap,M.G. 2009. Development of Pedotransfer Functions for Estimation of Soil Hydraulic Parameters using Support Vector Machines. Soil oil Science Society of America Journal. 73:1443-1452.