میرزایی, نسرین, صراف, امیرپویا. (1399). کاربرد مدلهای تلفیق داده در شبیه سازی جریان رودخانه با استفاده از سیگنال های بزرگمقیاس اقلیمی (مطالعه موردی: حوضه آبریز سد جیرفت). سامانه مدیریت نشریات علمی, (), -. doi: 10.22092/ijwmse.2021.343547.1816
نسرین میرزایی; امیرپویا صراف. "کاربرد مدلهای تلفیق داده در شبیه سازی جریان رودخانه با استفاده از سیگنال های بزرگمقیاس اقلیمی (مطالعه موردی: حوضه آبریز سد جیرفت)". سامانه مدیریت نشریات علمی, , , 1399, -. doi: 10.22092/ijwmse.2021.343547.1816
میرزایی, نسرین, صراف, امیرپویا. (1399). 'کاربرد مدلهای تلفیق داده در شبیه سازی جریان رودخانه با استفاده از سیگنال های بزرگمقیاس اقلیمی (مطالعه موردی: حوضه آبریز سد جیرفت)', سامانه مدیریت نشریات علمی, (), pp. -. doi: 10.22092/ijwmse.2021.343547.1816
میرزایی, نسرین, صراف, امیرپویا. کاربرد مدلهای تلفیق داده در شبیه سازی جریان رودخانه با استفاده از سیگنال های بزرگمقیاس اقلیمی (مطالعه موردی: حوضه آبریز سد جیرفت). سامانه مدیریت نشریات علمی, 1399; (): -. doi: 10.22092/ijwmse.2021.343547.1816
کاربرد مدلهای تلفیق داده در شبیه سازی جریان رودخانه با استفاده از سیگنال های بزرگمقیاس اقلیمی (مطالعه موردی: حوضه آبریز سد جیرفت)
1دانشجوی کارشناسی ارشد مهندسی عمران (مهندسی و مدیریت منابع آب)، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران
2استادیار گروه مهندسی عمران، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران
چکیده
پیشبینی جریان آورد رودخانهای در حوزههای آبریز از جایگاه ویژهای در مدیریت و برنامهریزی منابع آب به منظور طراحی تأسیسات آبی، آبگیری از رودخانهها، مدیریت مصرف و مواردی از این قبیل برخوردار است. در پژوهش حاضر، عملکرد برخی رویکردهای تلفیق داده شامل میانگینگیری ساده، میانگینگیری وزندار و شبکه عصبی تلفیقی در مدلسازی آورد ماهانه مورد ارزیابی و مقایسه قرار گرفته است. به همین منظور ابتدا با استفاده از مدلهای شبکه عصبی مصنوعی (ANN)، سیستم استنتاج عصبی تطبیقی فازی (ANFIS)، آریما (ARIMA) و رگرسیون بردار پشتیبان (SVR) بهعنوان مدلهای منفرد، پیشبینی آورد ماهانه در حوزه آبریز بالادست سد جیرفت مورد بررسی قرار گرفت. سپس مدلهای منفرد با استفاده از متغیرهای پیشبینیکننده منتخب آموزش و صحتسنجی شده و نتایج آنها جهت استفاده در فرآیند تلفیق انتخاب گردید. در این مقاله همچنین از سیگنالهای بزرگمقیاس اقلیمی شامل NAO، ENSO و PDO در پیشبینیهای هیدرولوژیک جریان رودخانه استفاده شد و عملکرد مدلهای منفرد و تلفیقی در دو حالت با در نظر گرفتن این سیگنالها و بدون در نظر گرفتن آنها براساس ارزیابی با سه معیار نش (NSE)، ضریب تبیین (R2) و میانگین مربعات خطا (MSE) مورد مقایسه قرار گرفته است. نتایج حاصل از این پژوهش نشان داد که رویکرد تلفیق داده دقت پیشبینیها را تا حد قابل ملاحظهای افزایش میدهد. علاوه بر این مشخص شد که سیگنالهای بزرگمقیاس اقلیمی منجر به بهبود نتایج خصوصاً در دورهی تست شده است. به عنوان مثال نتایج حاصل از مدل تلفیقی شبکه عصبی به همراه سیگنالهای بزرگمقیاس اقلیمی نشان میدهد که این مدل بهترین عملکرد را در میان مدلهای تلفیق داده دارد. معیار NSE نسبت به مدل تلفیقی شبکه عصبی بدون سیگنالهای بزرگمقیاس در دورهی آموزش 0.04 بهبود یافته و خطای MSE به میزان 001/0 کاهش پیدا کرده است.
Application of Data Fusion Models in River Flow Simulation Using Large Climate Signal Signals (Case Study: Jiroft Dam Basin)
نویسندگان [English]
Nasrin Mirzaee1؛ Amirpouya Sarraf2
1Master of Civil Engineering (Water Resources Engineering and Management), Roudehen Branch, Islamic Azad University, Roudehen, Iran
2Assistant Professor, Department of Civil Engineering, Roudehen Branch, Islamic Azad university, Roudehen, Iran.
چکیده [English]
River flow predicting in basin areas has a special place in the management and planning of water resources in order to design water facilities, drainage of rivers, consumption management and the like. In the present study, the performance of some data fusion approaches including simple averaging, weighted averaging and integrated neural network in monthly data modeling has been evaluated and compared. For this purpose, first using artificial neural network (ANN) models, fuzzy adaptive neural inference system (ANFIS), ARIMA and support vector regression (SVR) as individual models, monthly forecast in the upper catchment area of Jiroft Dam it placed. Then, the individual models were selected using training and validation predictor variables and their results were selected for use in the integration process. The paper also used large-scale climatic signals, including NAO, ENSO, and PDO, in river flow hydrological forecasts. (NSE), Explanatory Ratio (R2) and Mean Error Squares (MSE) have been compared. The results of this research showed that the combined data approach significantly increases the accuracy of predictions. In addition, it was found that large-scale, climate signals led to improved results, especially during the test period. For example, the results of a combined neural network model with large-scale signals of climate scale show that this model performs best among the combined models. The NSE benchmark for the combined neural network model without large signals, the scale improved in the 0.04 training stage, and the MSE error decreased by 0.001.