پیش‌بینی جریان روزانه رودخانه نوران چای با استفاده از مدل ترکیبی شبکه‌های عصبی مصنوعی- تجزیه مؤلفه‌های اصلی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد، گروه مهندسی عمران آب، دانشکده مهندسی عمران، دانشگاه تبریز

2 2- دانشجوی دکتری، گروه مهندسی عمران آب، دانشکده مهندسی عمران، دانشگاه تبریز

3 دانشجوی کارشناسی ارشد، گروه مهندسی عمران آب، دانشکده مهندسی عمران، دانشگاه تبریز

4 کارشناس ارشد، دانشکده عمران، دانشگاه آزاد اسلامی واحد مهاباد

چکیده

پیش­­بینی دقیق جریان روزانه، نقش به­سزایی در مدیریت کارآمد منابع آب ایفا می­کند. به این منظور در این تحقیق سعی شده است که جهت مدل­سازی هرچه دقیق­تر فرآیند پیش‌بینی جریان روزانه رودخانه نوران­چای واقع در حوضه آتشگاه، از شبکه­های عصبی مصنوعی (ANN) استفاده ­گردد. همچنین به‌منظور افزایش کارآیی ANN از تجزیه مؤلفه‌های اصلی (PCA) جهت پیش‌پردازش داده­های ورودی استفاده گردیده و درنهایت داده­های خروجی حاصل، با نتایج مدل رگرسیون خطی چند متغیره (MLR) مقایسه شده است. نتایج نشان داد که مدل ترکیبی ANN-PCA در قیاس با مدل ANN منفرد و MLR از دقت بسیار بالایی برخوردار است. به­طوری­که نتایج معیارهای ارزیابی شامل ضریب همبستگی (CC)، ضریب راندمان (EC) و جذر میانگین مربعات خطاها (RMSE) برای مدل ترکیبی ANN-PCA (در مرحله صحت­سنجی) برابر 9959/0=CC، 9905/0=EC و 0071/0=RMSE، مدل ANN منفرد (در مرحله صحت­سنجی) برابر 9093/0=CC، 8269/0=EC و 0405/0=RMSE و مدل MLR برابر 8866/0=CC، 7860/0=EC و 0926/0=RMSE به‌دست آمدند. همچنین استفاده از PCA به‌عنوان یک روش مؤثر جهت پیش‌پردازش داده­ها، با ایجاد مؤلفه‌های مستقل از هم موجب از بین رفتن هم خطی چندگانه می­شود. بنابراین PCA موجب افزایش کارآیی مدل ANN می­گردد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Daily Streamflow Forecasting of Nooranchay River Using the Hybrid Model of Artificial Neural Networks- Principal Component Analysis

نویسندگان [English]

  • Y Hassanzadeh 1
  • a Abdi Kordani 2
  • M Shafiei Najd 3
  • S Khoshtinat 4
چکیده [English]

Accurate forecasting of the daily discharge plays a significant role in the efficient management of water resources. For this purpose in order to model more accurately the process of forecasting the daily discharge of Nooranchay river in Atashgah basin, the artificial neural networks model (ANN) was used. In addition, in order to increase the accuracy of ANN, the principal component analysis (PCA) was used for preprocessing of input data. Finally, the results of multivariate linear regression (MLR) model were compared with the obtained results in the mentioned hydrological simulation. The results indicated that the hybrid model of ANN-PCA in comparison with ANN and MLR, had the highest precision. So that the results of goodness-of-fit tests criteria, such as the correlation coefficient (CC), the efficiency coefficient (EC) and the root mean square error (RMSE) for the hybrid model of ANN-PCA (at the verification stage) were CC=0.9959, EC=0.9905 and RMSE=0.0071, and for the ANN (at the verification stage) were CC=0.9093, EC=0.8269 and RMSE=0.0405 and the results for the MLR were obtained as CC=0.8866, EC=0.7860 and RMSE=0.0926. Also the use of PCA as an effective method for pre-processing of data, created independent components which eliminated the multicollinearity. Therefore, the PCA increased the efficiency of the ANN.

کلیدواژه‌ها [English]

  • Artificial Neural Networks
  • Atashgah basin
  • Daily discharge forecasting
  • Multivariate linear regression
  • Principal component analysis

فایل ها

هم رسانی

ارجاع به این مقاله

آمار