مدل‌سازی جریان رودخانه باراندوزچای با استفاده از روش‌ نزدیکترین K- همسایه و روش‌های هوشمند

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری منابع آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

2 دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

چکیده

پیش­بینی دقیق جریان رودخانه در طراحی، بهره­برداری و برنامه­ریزی منابع آب از اهمیت بسزایی برخوردار است. در این مطالعه، عملکرد روش­های ناپارامتری نزدیکترین همسایه، فازی- عصبی تطبیقی و روش رگرسیون بردار پشتیبان در پیش­بینی جریان رودخانه ارزیابی شده است. برای مدل­سازی از داده­های جریان 36 ساله ایستگاه هیدرومتری دیزج واقع بر رودخانه باراندوزچای (در مقیاس زمانی ماهانه) استفاده گردید. ترکیبات مختلفی از داده­های ثبت شده به عنوان الگوی ورودی جهت پیش­بینی دبی جریان استفاده شد. نتایج به دست آمده حاکی از عملکرد قابل قبول روش­های مورد استفاده در پیش­بینی مقدار جریان ماهانه بودند. با اضافه نمودن ضریب فصلی جریان به الگوی ورودی مدل، عملکرد مدل­های هوشمند در پیش­بینی به صورت قابل ملاحظه­ای افزایش یافت. به طور کلی، مدل رگرسیون بردار پشتیبان با بکارگیری مناسب­ترین الگوی ورودی به عنوان بهترین روش انتخاب شد. مقادیر سه شاخص­ ارزیابی شامل ضریب همبستگی، ریشه میانگین مربعات خطا و متوسط قدر مطلق خطای نسبی به ترتیب برابر 88/0، 63/3 مترمکعب بر ثانیه و 45/78 بود. همچنین ارزیابی عملکرد مدل­ها در پیش­بینی مقادیر دبی جریان نشان داد که در موارد با جریان زیاد، همه مدل­های مورد استفاده، دبی جریان را کمتر از مقدار مشاهداتی تخمین می­زنند.

کلیدواژه‌ها


عنوان مقاله [English]

Baranduz-Chay River Flow Modeling Using the K-Nearest Neighbor and Intelligent Methods

نویسندگان [English]

  • H Sanikhani 1
  • y Dinpashoh 2
  • MA Ghorbani 2
چکیده [English]

River flow accurate forecasting is so important in design, operation and planning of water resources systems. In this study, the performances of the non-parametric nearest neighbor method, adaptive neuro- fuzzy (ANFIS) and support vector regression (SVR) approaches were evaluated for streamflow forecasting. In order to derive the model, monthly streamflow observations of 36 years time period at Dizaj hydrometric station located in the Baranduz-Chay River (in monthly time scale) were used. Different combinations of the recorded data were used as the input pattern of streamflow forecasting. The results indicated that all of the applied models had reasonable performances in prediction of the monthly river flow. By adding the seasonality coefficient of streamflow to input pattern, performances of the intelligent models increased considerably. In general, the SVR model using the suitable input pattern was selected as the best method. The values of the three different evaluation criteria, namely correlation coefficient (R), root mean square error (RMSE), mean absolute relative error (MARE) were equal to 0.88, 3.63 (m3/s) and 78.45, respectively. Furthermore, evaluation of the performances of the models for streamflow forecasting revealed that in the cases of high discharges all of the models underestimated the streamflow comparing with the observed values.

کلیدواژه‌ها [English]

  • Baranduz-Chay river
  • Nearest neighbor
  • Neuro-fuzzy
  • Streamflow prediction
  • Support Vector Regression