ارزیابی کارایی مدل‌های شبکه عصبی-فازی تطبیقی و شبکه عصبی مصنوعی در پیش بینی رسوب معلق روزانه (مطالعه موردی: حوضه آبخیز گرو)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه هرمزگان

2 دانشگاه تهران

3 دانشگاه تربیت مدرس

چکیده

مدلسازی و پیش بینی دقیق رسوب معلق در رودخانه عنصر کلیدی مدیریت منابع آب و سیاست­های محیط زیستی می­باشد. در این پژوهش کارایی مدل­های شبکه عصبی مصنوعی و شبکه عصبی-فازی تطبیقی در پیش­بینی بار رسوب معلق روزانه ایستگاه گرو واقع در حوضه آبخیز گرو مورد ارزیابی قرار گرفت. بدین منظور از آمار 782 نمونه (1380-1393) رسوب معلق برحسب میلی گرم بر لیتر و دبی جریان اندازه­گیری شده متناظر با رسوب بر حسب متر مکعب بر ثانیه در سه الگوی ورودی مختلف استفاده شد. برای اجرای مدل­های  شبکه عصبی مصنوعی و شبکه عصبی-فازی تطبیقی داده­ها به دو دسته آموزش و آزمون تقسیم به طوری که 80% داده­ها برای آموزش و 20% برای آزمون در نظر گرفته شد.  در شبکه عصبی مصنوعی از دو تابع سیگموئید  و تابع تانژانت هیپربولیک در لایه میانی و از تابع خطی در لایه خروجی و برای انجام مدل شبکه عصبی فازی-تطبیقی از روش تفکیک شبکه­ای با سه تابع عضویت (مثلثی، گوسی و زنگوله­ای تعمیم یافته) با تعداد عضویت بهینه که با سعی و خطا تعیین شد استفاده گردید. نتایج حاصل از پیش­بینی رسوب معلق نشان داد که بهترین پیش­بینی با با ضریب همبستگی 96/0، ضریب کارایی 95/0 و میانگین مربعات خطای 12/4789 میلی گرم بر لیتر مربوط به الگوی ورودی 2 با متغیر های ورودی دبی جریان روز جاری (Qt) و تاخیر دبی جریان روزانه تا 1 روز قبل از مبدا زمانی پیش بینی (Qt-1) و تاخیر رسوب معلق روزانه تا 1 روز قبل از مبدا زمانی پیش بینی (St-1) می­باشد. بررسی نتایج حاصل از مدل­های شبکه عصبی-فازی تطبیقی و شبکه عصبی مصنوعی نشان داد که مدل شبکه عصبی-فازی تطبیقی در هر سه الگو عملکرد بهتری نسبت به شبکه عصبی مصنوعی در پیش­بینی رسوب معلق روزانه داشته است. 

کلیدواژه‌ها


عنوان مقاله [English]

ارزیابی کارایی مدل‌های شبکه عصبی-فازی تطبیقی و شبکه عصبی مصنوعی در پیش بینی رسوب معلق روزانه (مطالعه موردی: حوضه آبخیز گرو)

چکیده [English]

The precise modeling and prediction of suspended sediment in the river is a key element of water resources management and environmental policies. In this study, the efficiency of artificial neural network models and adaptive neuro-fuzzy network models were evaluated in prediction of daily suspended sediment load in Gero station located in Gero watershed. For this purpose, 782 samples (2001-2014) suspended sediment in milligrams per liter and flow rate measured corresponding to sediment in terms of cubic meters per second were used in three different input patterns. To implement artificial neural network and adaptive neuro-fuzzy network models, the data were divided into two groups of training and testing, in which 80% of the data were for training and 20% for the test. In the artificial neural network, there are two sigmoid functions and a hyperbolic tangent function in the middle layer and a linear function in the output layer, and to perform adaptive neuro-fuzzy network model, a network segmentation method with three membership functions (triangular, Gaussian, and generalized bells) was used with the optimal membership number, which was determined by trial and error. The results obtained from prediction of suspended sediment showed that the best prediction with correlation coefficient (0.96), coefficient of efficiency (0.95) and mean square error (4789.12 mg/l) related to the input pattern 2 with the input variables of current flow rate of current day (Qt), and the daily delayed daily flow rate to 1 day before the origin of prediction time (Q t-1) and the daily suspended sediment delays up to 1 day before the origin of the prediction time (St-1). The results of adaptive neuro-fuzzy network and artificial neural network models showed that the adaptive neuro-fuzzy network model had better performance than artificial neural network in predicting daily suspended sediment in all three patterns.

کلیدواژه‌ها [English]

  • Gero Watershed
  • Artificial Neural Network
  • Adaptive Neuro-Fuzzy Network
  • Daily Suspended Sediment
  • برزگری، فاطمه؛ دستورانی، محمد تقی؛ 1394، پیش بینی بار معلق رودخانه با استفاده از مدل­های سری زمانی و شبکه عصبی مصنوعی (مطالعه موردی: ایستگاه قزاقلی رودخانه گرگانرود)، پژوهشنامه مدیریت حوضه آبخیز، سال 6، شماره 12، صص. 216-225.
  • دهقانی، امیر احمد؛ زنگانه، محمد ابراهیم؛ مساعدی، ابوالفضل؛ کوهستانی، نسرین؛ 1388، مقایسه تخمین بار معلق به دو روش منحنی سنجه رسوب و شبکه عصبی مصنوعی (مطالعه موردی رودخانه دوغ استان گلستان)، مجله علوم کشاورزی و منابع طبیعی، صص. 1- 16 الف.
  • رضایی بنفشه، مجید؛ فیض ا.. پور، مهدی؛ صدر افشاری، سحر؛ 1392، استفاده از سیستم استنتاجی فازی عصبی در تخمین بار رسوبی و مقایسه آن با مدل­های MLR و SRC در حوضه رودخانه قرانقو، پژوهش­های جغرافیای طبیعی، سال 45، شماره 2، صص. 77-90.
  • طهمورث، محمد؛ احمدی، حسن؛ تقوی، نفیسه؛ محمد عسکری، حسین؛ 1388، مقایسه دقت مدل­های شبکه عصبی مصنوعی ژئومورفولوژی (GANNS) و رگرسیونی (RM) در برآورد رسوب طالقان رود، پژوهش و سازندگی، شماره84، صص. 19-27.
  • عفیفی، ابراهیم؛ یمانی، مجتبی؛ حسن زاده، یاسر؛ 1391، هیدروژئومورفولوژی حوضه آبریز دشت گرو (استان هرمزگان)، فصلنامه جغرافیای سرزمین، سال 9، شماره 35، صص. 61-76.
  • Asselman, N.E.M., 2000. Fitting and interpretation of sediment rating curves. J. Hydro. 23(4), pp.  228-248.
  • Firat, M., Güngör, M.,2007. River flow estimation using adaptive neuro fuzzy inference system. Mathematics and Computers in Simulation, 75(3-4). pp. 87-96.
  • Hosseini, SM., Borhani, R., 2009. The application of  artificial  neural  network  in estimating  the  river  yield  by  minimum  temperature  and  discharge  (case  study:  Hamoon basin). The First International Conference of Water Crisis, 10-12 March.  Zabol University.
  • Imrie, C.E., Durucan, S., Korre, A., 2000. River flow prediction using artificial neural networks :generalisation beyond the calibration range. Journal of Hydrology, 233, pp. 138–153.
  • Jang, J.R., 1993. ANFIS: Adaptive-network-based fuzzy inference system, IEEE Transactions on systems, Man, and Cybernetics, 23(3), pp. 665-685.
  • Kaveh, M., DucBui, M., Rutschmann, P., 2017. A comparative study of three different learning algorithms applied to ANFIS for predicting daily suspended sediment concentration, International Journal of Sediment Research,
  • KhorshidDoost, A.M., Feyzolahpoor, M., SadrAfshari, S., 2015. Evaluation of Artificial neural fuzzy inference system and estimation of suspended sediment and comparison of two types of artificial neural network models (case study: zarineh rood river), Journal of Geography and Development, 41, pp.185-200.
  • Kisi, O., Zounemat-Kermani, M., 2016. Suspended Sediment Modeling Using Neuro-Fuzzy Embedded Fuzzy c-Means Clustering Technique, Journal of Water Resour Manage, 30, pp. 3979–3994.
  • Kisi, O., Haktanir, T., Ardiclioglu, M., Ozturk, O., Yalcin, E., Uludag, S., 2009. Adaptive neuro-fuzzy computing technique for suspended sediment estimation. Advances in Engineering Software, 40(6), pp. 438-444.
  • Lopez, L.V., Efolliott, F.P., Baker, B.M., 2001. Impacts of Vegetative Practices on Suspended Sediment from Basin of Arizona, Journal of Water Resources Planning and Management, 127(1), pp. 41-47.
  • McBean, E.A., Al-Nassri, S., 1988. Uncertainty in Suspended Sediment Transport Curves, Journal of Hydraulic Engineering, 114(1), pp. 63-73.
  • Nakato, T., 1990. Test of Selected Sediment-Transport Formulas, J. of Hydr. Engrg ASCE, 116(3), pp. 362-379.
    • Riad, S.,  Mania,  J.,  Bouchaou,  L.,  Najjar,  Y., 2004.  Predicting  catchment  flow  in  asemi-arid  region  via  an  artificial  neural  network  technique. Hydrological  Processes  Journal, 18(13), pp. 2387–2393. 
    • Vafakhah, M., 2012. Application of artificial neural networks and adaptive neuro-fuzzy inference system models to short-term streamflow forecasting. Canadian Journal of Civil Engineering, 39(4), pp. 402-414.
    • Zounemat-Kermani, M., Kisi, O., Adamowski, J., Ramezani-Charmahineh, A., 2016. Evaluation of data driven models for river suspended sediment concentration modeling, Journal of Hydrology, 535, pp. 457-472