مقایسه مدلهای شبکه عصبی مصنوعی دینامیک و همبستگی خطی چند متغیره در پیش بینی آبدهی به کمک داده های سنجش از دور

نوع مقاله : مقاله پژوهشی

نویسندگان

1 پردیس ابوریحان دانشگاه تهران

2 دانشگاه تهران

چکیده

هدف تحقیق حاضر، مقایسه توانایی مدل شبکه عصبی مصنوعی و مدل همبستگی خطی چند متغیره در پیشبینی شش
ماه آیندة جریان ورودی به مخزن سد شاهچراغی در استان سمنان، بر اساس دادههای ماهانه آبدهی، دمای متوسط،
ماهواره AVHRR بارش و سطح پوششبرف چند ماه قبل میباشد. برای تعیین سطح پوششبرف، از تصاویر سنجنده
استفاده گردیده و جداسازی سطح برف با استفاده از روش جداسازی پدیدهها بر اساس حد آستانه هیستوگرام NOAA
آنها در باندهای مرئی و حرارتی انجام شده است. یک لایه مخفی و تابع انتقال سیگموئید و تابع آموزش لونبرگ-
مارکوارت در ساختار مدلهای شبکه عصبی مصنوعی استفاده گردیده است. پنج مدل شبکه عصبی مصنوعی دینامیک و
پنج مدل همبستگی خطی چند متغیره با دادههای ورودی متفاوت ساخته شده و نتایج آنها مقایسه شد. معیارهای انتخاب
میانگین قدرمطلق خطای نسبی ،(MBE) انحراف خطای میانگین ،(RMSE) بهترین مدل، شامل جذر متوسط خطا
بوده و بهترین نتیجه با مدلی حاصل گردید که ( R و ضریب همبستگی ( 2 (REmax) حداکثر خطای نسبی ،(MARE)
دادههای بارش، آبدهی و سطح پوشش برف را به عنوان ورودی مدل استفاده کرده است. همچنین بهبود نتایج مدل
منتخب نسبت به مدل همبستگی خطی چند متغیره که در تحقیقات قبلی برای پیشبینی جریان به کار رفته است، بررسی
شده است. نتایج نشان میدهد شاخصخطای نسبی حداکثر در مدل شبکه عصبی ۸۰ % کمتر از مدل رگرسیون خطی چند
متغیره است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Comparison of Dynamic Artificial Neural Network and Multivariate Linear Regression Models for Inflow Forecasting Using Remote Sensing Data

نویسندگان [English]

  • ME Banihabib 1
  • Farimah Sadat Jamali 2
چکیده [English]

This study aims to compare the ability of dynamic artificial neural network (DANN) and
multivariate linear regression (LR) in forecasting monthly inflow to Shahcheraghi reservoir in
Semnan province, Iran. The input data consisted monthly flow discharge, precipitation, mean
temperature and snow cover area. Snow cover area was estimated using NOAA-AVHRR images,
based on thresholds in histograms of different phenomena in visible and thermal channels. Dynamic
artificial neural networks were determined with one hidden layer, Levenberg-Marquardt as training
function, and sigmoid as transfer function Moreover, five DANN and five LR models were run with
different input data and the results were compared. Root mean square (RMSE), mean bias error
(MBE), mean absolute relative error (MARE), maximum relative error (REmax) and R2 (coefficient
of determination) are the criteria that were used for models evaluation. The best result is gained
with three inputs (inflow discharge, precipitation and snow cover area) by DANN. Regarding linear
regression as a classic model in inflow forecasting, the improvement of the results by using DANN
was obvious. The REmax of the selected DANN model was almost 85% less than REmax of the
selected LR.

کلیدواژه‌ها [English]

  • dynamic artificial neural network
  • Multivariate linear regression
  • reservoir inflow forecasting
  • Shahcheraghi reservoir
  • snow cover area

مراجع

برهانی داریان ع، ضاهرپور ج و فاتحی مرج ا.، ۱۳۸۳ . مدلهای برفابی پیشبینی جریان حوضه آبریز به کمک
.۲۴۳ - مجله بین المللی علوم مهندسی، جلد ۱۵ ، شماره ۲، صفحههای ۲۲۵ .GIS
بنی حبیب م.ا، ولی پور، م و بهبهانی س. م، ۱۳۸۷ . مدل خود همبسته شبکه عصبی مصنوعی دینامیک برای پیشبینی
جریان ماهانه ورودی به مخزن سد دز. صفحه ۱۵۴ . مجموعه مقالات پنجمین کنفرانسآبخیزداری- گرگان.
مجله پژوهش .NOAA پرهمت، ج، تقفیان ب و صدقی ح، ۱۳۸۱ . مدل تکنیک برف، ابر و زمین در تصاویر ماهوارهای نوا
.۱۴ - و سازندگی، شماره ۵۶ و ۵۷ ، صفحههای ۲
حوضه سد NOAA-AVHRR جمالی ف.س، بنی حبیب، م.ا و ثقفیان ب، ۱۳۸۸ . پایش سطح برف با استفاده از تصاویر
۳۶۸ . مجموعه مقالات اولین کنفرانس بین المللی منابع آب، دانشگاه صنعتی شاهرود، - دامغان. صفحههای ۳۷۵
شاهرود.
مصداقی م، ۱۳۸۳ . روشهای رگرسیون در تحقیقات کشاورزی و منابع طبیعی. انتشارات دانشگاه امام رضا (ع).
Banihabib ME, Jamali FS, Mousavi SM, 2009. An artificial neural network model, detecting spatial
and temporal correlation among stations in reservoir inflow forecasting. Pp. 406-413.
Proceeding of 33rd IAHR Congress: Water Engineering for a Sustainable Environment.
Vancouver, Canada.
Baum B, Trepte Q, 1999. A grouped threshold approach for scene identification in AVHRR
imagery. Journal of Atmospheric and Oceanic Technology 16: 793-800.
مقایسه مدلهای شبکه عصبی مصنوعی دینامیک و همبستگی خطی چند متغیره ....... 185
Erturk, GA Sonmez, I Unal Soomen A 2008.The Validation of the snow cover mapping derived
from NOAA AVHRR/3 OVER Turkey. Proceeding of EUMETSAT Meteorological Satellite
Conference, Darmstadt, Germany, EUMETSAT P. 52, CD-ROM ISBN 978-92-9110-082-8,
ISSN 1011-3932.
Jagadeesh A, Zhang B, Govindaraju R, 2000. Comparison of ANNs and empirical approaches for
predicting watershed runoff. Journal of Water Resources Planning and Management 126: 156-
166.
Mohammadi K, Eslami HR, and Dayyani Dardashti, Sh, 2005. Comparison of regression, ARIMA,
and ANN models for reservoir inflow forecasting using snowmelt equivalent (a case study of
Karaj). Journal of Agriculture Science Technology, 7: 17-30.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار