| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,944 |
| تعداد مقالات | 33,229 |
| تعداد مشاهده مقاله | 43,865,943 |
| تعداد دریافت فایل اصل مقاله | 20,372,088 |
مدل‌سازی فرایند بارش-رواناب حوزه آبخیز آجی‌چای با استفاده از روش‌های هوشمند | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 2، دوره 17، شماره 1، فروردین 1404، صفحه 14-28 اصل مقاله (1.5 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2024.365227.2052 | ||
| نویسندگان | ||
| پویا اللهویردی پور* 1؛ یعقوب دین پژوه2 | ||
| 1دانشجوی دکتری مهندسی منابع آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
| 2استاد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
| چکیده | ||
| مقدمه در سال‌ها و دهه‌های اخیر به‌دلیل تغییرات اقلیمی و مشکلات ایجاد شده در دسترسی به منابع آب کافی و با کیفیت، مسأله تأمین منابع آب پایدار مورد توجه محققان و پژوهشگران مختلف قرار گرفته است. کمبود منابع آب سالم و با کیفیت مانعی بزرگ در جهت توسعه پایدار محسوب می‌شود. به‌همین علت شناخت فرایندهای چرخه آب بسیار مهم بوده و نیازمند اطلاعات دقیق از پدیده‌های هیدرولوژیکی است. رواناب‌های حاصل از بارش یکی از منابع اصلی تأمین نیازهای آبی مختلف ازجمله کشاورزی، صنعت و مصارف خانگی هستند. تخصیص منابع آب به این بخش‌ها با استفاده از داده‌های مربوط به رواناب در زمان‌های مختلف، برنامه‌ریزی می‌شود. برآورد و پیش‌بینی دقیق رواناب، اصلی‌ترین مسأله در استحصال منابع آب‌های سطحی و استفاده بهینه از پتانسیل حوضه‌های مختلف آبخیز است. حوزه آبخیز دریاچه ارومیه، به‌عنوان یکی از مهم‌ترین حوضه‌های آبی ایران، در سالهای اخیر رو به خشکی نهاده است. با توجه به این موضوع، اطلاع و آگاهی در زمینه منابع آبی این حوضه و زیرحوضه‌های آن و نیز شبیه‌سازی و پیش‌بینی منابع مختلف ورودی به آن ازجمله رواناب‌ها بسیار مهم است. مواد و روشها حوزه آبخیز آجی‌چای، یکی از زیرحوضه‌های دریاچه ارومیه است. این حوضه در ناحیه شمال‌غربی ایران و در استان آذربایجان شرقی قرار دارد. در این پژوهش از داده‌های بارش ایستگاه همدیدی تبریز و رواناب ایستگاه هیدرومتری نهند واقع در این حوضه از سال آبی 77-1376 تا 97-1396 استفاده شد. جهت مدل‌سازی بارش-رواناب از روش‌های شبکه عصبی مصنوعی (ANN)، برنامه‌نویسی بیان ژن (GEP)، ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) استفاده شد. 70 درصد از داده‌ها برای آموزش و 30 درصد از داده‌ها برای صحت‌سنجی مدل‌ها استفاده شد. برای ارزیابی عملکرد مدل‌ها از معیارهای آماری ضریب تعیین (R2)، ریشه میانگین مربعات خطا (RMSE)، ضریب نش-ساتکلیف (NSE) و شاخص ویلموت (WI) استفاده شد. نتایج و بحث نتایج این پژوهش نشان داد که تمامی مدل‌های مورد بررسی در این پژوهش عملکرد بسیار خوبی در شبیه‌سازی بارش-رواناب روزانه در حوضه آجی‌چای دارند. بر اساس نمودارهای پراکنش و سری‌های زمانی، مدل GEP در مدل‌سازی مقادیر بارش-رواناب این حوضه با همبستگی بالا نسبت به سایر مدل‌ها بیشترین دقت را داشت. با توجه به نتایج و معیارهای آماری، مدل GEP با مقادیر R2، RMSE، NSE و WI به‌ترتیب برابر 0.84، 0.024، 0.864 و 0.968، دقیق‌ترین مدل در شبیه‌سازی فرایند بارش-رواناب روزانه حوضه آجی‌چای بود. مدل‌های مورد بررسی در شبیه‌سازی رواناب‌های بیشینه خطا داشته و این مقادیر را کمتر برآورد کرده‌اند. این نکته می‌تواند به‌دلیل خاصیت مدل‌های هوشمند باشد که به داده‌های آموزش حساسیت بسیار زیادی دارند. از عوامل مؤثر در عملکرد مدل‌ها در برآورد رواناب‌های بیشینه می‌توان تعیین نوع و ساختار مدل‌ها را نام برد. نتیجه‌‌گیری به‌طورکلی نتایج این پژوهش نشان داد که مدل GEP نسبت به سایر مدل‌های مورد بررسی، در شبیه‌سازی بارش-رواناب دقت بیشتر و عملکرد بهتری دارد. نتایج این پژوهش نشان‌دهنده عملکرد مناسب مدل‌های یادگیری ماشین در شبیه‌سازی فرایند بارش-رواناب است. به‌طورکلی با توجه به دقت بالای مدل‌های هوشمند به‌ویژه مدل GEP در پیش‌بینی فرایند بارش-رواناب روزانه، استفاده از این روشها در مسائل هیدرولوژیک توصیه می‌شود. همچنین، پیشنهاد می‌شود، در تحقیقات آینده از روش‌های هوشمند و داده‌کاوی در مدل‌سازی فرایند بارش-رواناب در حوضه‌های مختلف به‌طور جداگانه برای سالهای درگیر خشکسالی و ترسالی استفاده شود. | ||
| کلیدواژه‌ها | ||
| برنامه‌نویسی بیان ژن؛ حوضه آجی‌چای؛ جنگل تصادفی؛ شبکه عصبی مصنوعی؛ مدل GEP | ||
| عنوان مقاله [English] | ||
| Modeling the rainfall-runoff of Ajichai Basin using intelligent models | ||
| نویسندگان [English] | ||
| Pouya Allahverdipour1؛ Yaghob Dinpashoh2 | ||
| 1PhD Student in Water Resources Engineering, Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran | ||
| 2Professor, Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran | ||
| چکیده [English] | ||
| Introduction In recent years and decades, due to minor changes and challenges in sufficient and high-quality water resources, sustainable water resources have been the subject of various studies and research. The lack of safe and high-quality water resources is a major obstacle to sustainable development. For this reason, understanding the processes of the water cycle is very important and requires accurate information about hydrological phenomena. Runoff from water transfer is one of the main sources meeting various water demands, including agriculture, industry, and domestic use. The allocation of water resources to these sectors is planned based on runoff data at different times. A significant portion of precipitation in the hydrologic cycle is converted into runoff due to watershed characteristics. Considering the issue that the Lake Urmia Basin is shrinking, identifying the water resources of this basin and its sub-basins is crucial. Materials and methods The Ajichai Basin is one of the sub-basins of Lake Urmia. In this study, rainfall data from the Tabriz synoptic station and runoff data from the Nahand hydrometric station were used. The aim of this research is to model the daily rainfall-runoff of the Ajichai Basin using intelligent machine learning models, including Artificial Neural Network (ANN), Support Vector Machine (SVM), Gene Expression Programming (GEP), and Random Forest (RF). Seventy percent of the data was used for training, and 30% was used for testing the models. Statistical measures such as the Coefficient of Determination (R²), Root Mean Square Error (RMSE), Nash-Sutcliffe Efficiency (NSE), and Willmott Index (WI) were used to evaluate the performance of the models. Results and discussion The results of this research showed that all models performed very well in simulating rainfall-runoff in the Ajichai Basin. According to the obtained results, the GEP model, with R² equal 0.84, RMSE equal 0.024 m³/s, NSE equal 0.864, and WI equal 0.968, was the most accurate in modeling rainfall-runoff in the Ajichai Basin. Based on scatter plots and time series analysis, the GEP model demonstrated higher accuracy than other models in predicting rainfall-runoff values with a high correlation. Conclusions According to the results, all the investigated models showed good capability in modeling daily rainfall-runoff in the Ajichai Basin. The findings of this research highlight the strong performance of machine learning models in rainfall-runoff modeling. In general, due to the high accuracy of intelligent models, particularly the GEP model, in predicting daily rainfall-runoff, it is recommended to apply these methods to hydrological problems. Additionally, for future research, it is suggested that intelligent methods and data mining techniques be used to model the precipitation-runoff process in different basins separately for drought-affected and wet years. | ||
| کلیدواژه‌ها [English] | ||
| Ajichai basin, Artificial neural network, Gene Expression Programming, GEP model, Rainfall-Runoff, Random Forest | ||
| مراجع | ||
|
Abrahart, R.J., Anctil, F., Coulibaly, P., Dawson, C.W., Mount, N.J., See, L.M., Shamseldin, A.Y., Solomatine, D.P., Toth, E., Wilby, R.L., 2012. Two decades of anarchy? Emerging themes and outstanding challenges for neural network river forecasting. Prog. Phys. Geogr. 36, 480-513. Adamowski, J., 2013. Using support vector regression to predict direct runoff, base flow and total flow in a mountainous watershed with limited data in Uttaranchal, India. Annals of Warsaw University of Life Sciences-SGGW. Land Reclamation. 45, 71-83. Adnan, R. M., Yuan, X., Kisi, O., Adnan, M., Mehmood, A., 2018. Stream flow forecasting of poorly gauged mountainous watershed by least square support vector machine, fuzzy genetic algorithm and M5 model tree using climatic data from nearby station. Water Resour. Manage. 32, 4469-4486. Ahmadian AhmadAbad, G., Zakeri Niri, M., 2021. Simulation and comparison of runoff estimation by neural network methods, regression and fuzzy inference (A case study:Dez catchment). Nivar. 45, 84-96 (in Persian). Allahverdipour, P., Sattari, M.T., 2023. Comparing the performance of the multiple linear regression classic method and modern data mining methods in annual rainfall modeling, case study: Ahvaz city. Water Soil. Manage. Model. 3, 125-142 (in Persian). Antar, M.A., Elassiouti, I., Allam, M.N., 2006. Rainfall‐runoff modelling using artificial neural networks technique: a Blue Nile catchment case study. Hydrol. Process. 20, 1201-1216. ASCE Task Committee on Application of Artificial Neural Networks in Hydrology., 2000. Artificial neural networks in hydrology. I: Preliminary concepts. J. Hydrol. Eng. 5, 115-123. Aytek, A., Asce, M., Alp, M., 2008. An application of artificial intelligence for rainfall-runoff modeling. J. Earth Syst. Sci. 117, 145-155. Bigdeli, Z., Majnooni Heris, A., Delirhasannia, R., Karimi, S., 2023. Rainfall-Runoff Modeling of Aji Chai Basin Using Random Forest and Artificial Neural Network Models. New Research in Sustainable Water Engineering. New Res. Sustainable Water Eng. 1, 27-42 (in Persian). Botsis, D., Latinopulos, P., Diamantaras, K., 2011. Rainfall-runoff modeling using support vector regression and artificial neural networks. In 12th International Conference on Environmental Science and Technology (CEST2011). 8-10. Cutler, A., Cutler, D.R., Stevens, J.R., 2012. Random forests. Ensemble machine learning: Methods and applications 1st ed. NY: Springer New York. 157-175. Dehghani, N., Vafakhah, M., Bahremand, A., 2016. Rainfall-Runoff Modeling using Artificial Neural Network and Neuro-Fuzzy Inference System in Kasilian Watershed. J. Watershed Manage. Res. 7, 137-128 (in Persian). Eskandarinia, A., Nazarpour, H., Teimouri, M., Ahmadi, M.Z., 2010. Comparison of neural network and K-nearest neighbor methods in daily flow forecasting. J. Appl. Sci. 10, 1006-1010. Ferreira, C., 2002. Gene expression programming in problem solving. Soft computing and industry: recent applications. London: Springer. 635-653. Hassanzadeh, Y., Abdi Kordani, A., Shafiei Najd, M., Khoshtinat, S., 2015. Daily Streamflow Forecasting of Nooranchay River Using the Hybrid Model of Artificial Neural Networks- Principal Component Analysis. Water Soil Sci. 25, 53-63 (in Persian). Hussain, D., Khan, A.A., 2020. Machine learning techniques for monthly river flow forecasting of Hunza River, Pakistan. Earth Sci. Inf. 13, 939-949. Jain, S.K., Das, A., Srivastava, D.K., 1999. Application of ANN for reservoir inflow prediction and operation. J. Water Resour. Plann. Manage. 125, 263-271. Misra, D., Oommen, T., Agarwal, A., Mishra, S.K., Thompson, A.M., 2009. Application and analysis of support vector machine based simulation for runoff and sediment yield. Biosyst. Eng. 103, 527-535. Nilsson, P., Uvo, C.B., Berndtsson, R., 2006. Monthly runoff simulation: Comparing and combining conceptual and neural network models. J. Hydrol. 321, 344-363. Nourani, V., 2017. An emotional ANN (EANN) approach to modeling rainfall-runoff process. J. Hydrol. 544, 267-277. Pai, P.F., Hong, W.C., 2007. A recurrent support vector regression model in rainfall forecasting. Hydrol. Process. 21, 819-827. Patel, A.B., Joshi, G.S., 2017. Modeling of rainfall-runoff correlations using artificial neural network-A case study of Dharoi Watershed of a Sabarmati River basin, India. Civ. Eng. J. 3, 78-87. Sanikhani, H., Dinpazhoh, Y., Zamanzad Ghavidel, S. 2014. The Impacts of Climate Change on Runoff in Watersheds, case study: Ajichay Watershed in East Azerbaijan Province, Iran. Water Soil 27, 1225-1234 (in Persian). Sepehri, M, Ildoromi, A.R, Hosseini, S.Z., Nori, H., Mohammadzade, F., Artimani, M.M., 2018. The combination of neural networks and genetic algorithms is a way to estimate the Peak flood. Iran. J. Watershied Manage. Sci. 11, 23-28 (in Persian). Shafeizadeh, M., Fathian, H., Nikbakht Shahbazi, A., 2019. Continuous rainfall-runoff simulation by artificial neural networks based on efficient input variables selection using partial mutual information (PMI) algorithm. Iran Water Resour. Res. 15, 144-161 (in Persian). Vapnik, V., 1999. The nature of statistical learning theory. NY: Springer New York. Vapnik, V.N., Chervonenkis, A.Y., 2015. On the uniform convergence of relative frequencies of events to their probabilities. In Measures of complexity: festschrift for alexey chervonenkis. Switzerland: Springer Cham. 11-30. Vyas, S.K., Mathur, Y.P., Sharma, G., Chandwani, V., 2016. Rainfall-Runoff Modelling: Conventional regression and Artificial Neural Networks approach. International Conference on Recent Advances and Innovations in Engineering (ICRAIE). India: IEEE. 1-6. Worland, S.C., Farmer, W.H., Kiang, J.E., 2018. Improving predictions of hydrological low-flow indices in ungaged basins using machine learning. Environ. Modell. Software. 101, 169-182. Yin, L., 2023. Forecasting Sector Rotation of A-share Market Using LSTM and Random Forest. Advances in Economics, Management and Political Sciences. Adv. Econ. Manage. Polit. Sci. 49, 109-123. Yoon, H., Jun, S.C., Hyun, Y., Bae, G.O., Lee, K.K., 2011. A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer. J. Hydrol. 396, 128-138. Zeinalie, M., Golabi, M.R., Sharifi, M.R., Hafezparast, M., 2019. Evaluation of artificial intelligence models in river flow modeling, case study: Gamasiab River. Watershed Eng. Manage. 11, 941-954 (in Persian). | ||
|
آمار تعداد مشاهده مقاله: 430 تعداد دریافت فایل اصل مقاله: 74 |
||