مدلسازی بارش-رواناب با استفاده از مدل یادگیر عمیق (مطالعه موردی: حوضه آبریز گالیکش)

محورهای موضوعی : مدیریت آب در مزرعه با هدف بهبود شاخص های مدیریتی آبیاری

راضیه طاطار ¹ , خلیل قربانی ² , مهدی مفتاح هلقی ³ , میثم سالاری‌جزی ⁴

1 - دانش‌آموخته کارشناسی ارشد منابع آب، دانشکده مهندسی آب، دانشگاه کشاورزی و منابع طبیعی گرگان، گرگان، ایران.
2 - دانشیار گروه مهندسی آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
3 - دانشیار گروه مهندسی آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
4 - استادیار گروه مهندسی آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

تاریخ دریافت : 1398/11/15 تاریخ پذیرش : 1399/08/20 تاریخ انتشار : 1399/12/01

کلید واژه: شبکه عصبی مصنوعی, حوضه آبریز گالیکش, شبکه عصبی عمیق( یادگیری عمیق), پیش‌بینی رواناب,

چکیده مقاله :

شبکه‌های عصبی مصنوعی یکی از روش‌های داده‌کاوی است که توسط پژوهشگران زیادی در حوزه‌های مطالعاتی مختلفی همچون مدلسازی آماری بارش-رواناب استفاده می‌شود. جهت بهبود عملکرد این شبکه‌ها، شبکه‌های عصبی یادگیر عمیق توسعه یافته‌اند تا دقت مدلسازی را افزایش دهند. پژوهش حاضر به‌ منظور ارزیابی شبکه‌های یادگیرعمیق در بهبود عملکرد شبکه‌های عصبی‌مصنوعی در حوضه آبریز گالیکش انجام شد تا بر اساس داده‌های بارش و دما با گام‌های تاخیر زمانی ۱ تا ۵ ماهه، دبی در مقیاس زمانی ۱، ۳، ۶ و ۱۲ ماهه پیش‌بینی شود. نتایج مدل‌سازی بر اساس ۷۰ درصد داده‌ها (آموزش) و ۳۰ درصد داده‌ها (آزمون) نشان داد که در تمامی دوره‌های زمانی، شبکه عصبی یادگیر عمیق باعث بهبود عملکرد شبکه عصبی مصنوعی شده است و بطور متوسط RMSE در داده‌های آموزش از ۶۸/۰ به ۶۵/۰ و درداده‌های آزمون از ۸۴/۰ به ۷۳/۰ کاهش یافته است و ضریب تعیین نیز بطور متوسط برای داده‌های آموزش از ۵۷/۰ به ۶۲/۰ و برای داده‌های آزمون از ۵۱/۰ به ۶۷/۰ افزایش یافته است. از دیگر نتایح این پژوهش نیز می‌توان به تاثیر دما بر افزایش دقت مدلسازی بارش- رواناب اشاره کرد.

چکیده انگلیسی:

Artificial neural networks (ANN) are one of the data mining methods applied by many researchers in different fields of studies such as rainfall runoff modeling. To improve the performance of these networks, deep learning neural networks were developed to increase modeling accuracy. This study evaluated deep learning networks to improve the performance of artificial neural networks in Galikesh watershed and to predict discharge for 1, 3, 6 and 12-month time scale based on 1 to 5 month time scale lags made in precipitation and temperature data. Based on 70% and 30% of the data used for training and test respectively the results demonstrated that in all time steps, the deep learning neural network improved the performance of artificial neural network and on average RMSE decreased in both training and test from 0.68 to 0.65 and 0.84 to 0.73 respectively. Moreover, R-square was increased on average from 0.57 to 0.62 and 0.51 to 0.67 respectively in training and test. We can also denote the effect of temperature on the increase of accuracy of rainfall-runoff modeling.

منابع و مأخذ:

خوشحال، ج.، حسینی، س.م. و فاطمی‌نیا، ف. ۱۳۹۲. شبیه‌سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی (مورد: حوضه آبخیز فریدن). مجله جغرافیا و برنامه‌ریزی محیطی. ۳ (۵۱): ۲۵-۴۰.

دهقانی، ر.، قربانی، م.، تشنه لب، م.، ریخته‌گر غیاثی، الف. و اسدی، الف. ۱۳۹۴. مقایسه و ارزیابی مدل‌های شبکه عصبی بیزین، برنامه‌ریزی بیان ژن، ماشین بردار پشتیبان و رگرسیون خطی در تخمین بده جریان. فصلنامه علمی پژوهشی مهندسی آبیاری و آب، ۵ (۲۰): ۵۸-۶۶.

دهقانی، ن.، وفاخواه، م. و بهره‌مند، ع. ۱۳۹۵. مدل‌سازی بارش-رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی-عصبی تطبیقی در حوضه آبخیز کسیلیان. پژوهشنامه مدیریت حوزه آبخیز، ۷ (۱۳): ۱۲۸-۱۳۷.

ستاری، م. ت.، رضازاده جودی، ع. و نهرین، ف. ۱۳۹۳. پیش‌بینی مقادیر بارش ماهانه با استفاده از شبکه‌های عصبی مصنوعی و مدل درختی M5 (مطالعه موردی: ایستگاه اهر). پژوهش‌های جغرافیای طبیعی. ۴۶ (۲): ۲۴۷-۲۶۰

سلاجقه، ع.، فتح‌آبادی، ع. و مهدوی، م. ۱۳۸۸. بررسی کارایی روش‌های عصبی-فازی و مدل‌های آماری در شبیه‌سازی فرایند بارش-رواناب. نشریه مرتع و آبخیزداری، ۶۲ (۱): ۶۵-۸۰.

صف‌شکن، ف.، پیرمرادیان، ن. و افشین شریفیان، ر. ۱۳۹۰. شبیه‌سازی آب نمود بارش-رواناب با توجه با الگوی زمان بارش و استفاده از شبکه عصبی مصنوعی در حوزه آبریز معرف کسیلیان. مجله علوم و مهندسی آبخیزداری ایران، ۵ (۱۵): ۱-۱۰.

عبدی، ق. و صمدزادگان، ف. ۱۳۹۷. طبقه‌بندی اطلاعات سنجنده‌های مرئی-حرارتی هوایی مبتنی بر مدل‌های یادگیری ژرف. نشریه علمی-پژوهشی علوم و فنون نقشه‌برداری، ۵ (۱۵): ۱-۱۰.

غفاری، غ. و وفاخواه، م. ۱۳۹۲. شبیه‌سازی فرآیند بارش-رواناب با استفاده از شبکه عصبی مصنوعی و سیستم فازی-عصبی تطبیقی. پژوهشنامه مدیریت حوزه آبخیز، ۴ (۸): ۱۲۰-۱۳۶.

غلامی، و. و درواری، ز. ۱۳۹۲. شبیه‌سازی فرایند بارش- رواناب با بکارگیری شبکه عصبی مصنوعی (ANN) و مدل HEC-HMS (مطالعه موردی حوضه آبخیز کسیلیان). نشریه علوم و مهندسی آبخیزداری ایران. ۷ (۲۱): ۶۷-۶۹.

فولادی، ص.، فرسی، ح.، محمدزاده، س. ۱۳۹۷. استفاده از شبکه‌های عصبی یادگیری عمیق در تشخیص درجه بدخیمی سرطان پروستات و تشخیص سرطان سینه. مجله دانشکده پزشکی دانشگاه علوم پزشکی مشهد، ۶۱ (۵): ۱۱۷۸-۱۱۸۷.

قربانی، خ.، سهرابیان، الف. و سالاری‌جزی، م. ۱۳۹۵. ارزیابی روش‌های هیدرولوژیکی و داده‌کاوی در سبیه‌سازی و پیش‌بینی دبی جریان ماهانه. نشریه پژوهش‌های حفاظت آب و خاک، ۲۳ (۱): ۲۰۳-۲۰۱۷.

قهرمان، ب. و لطفی، م. ۱۳۸۸. کارایی مدل‌های هیدروگراف واحد در تعیین مشخصات هیدروگراف سیلاب. دانشگاه فردوسی مشهد.

کارآموز، م. و عراقی‌نژاد، ش. ۱۳۸۴. هیدرولوژی پیشرفته. انتشارات دانشگاه امیرکبیر.

نجیب‌زاده، ن.، قادری، ک. و احمدی، م.م. ۱۳۹۸. بهره‌گیری از روش‌های رگرسیون بردار پشتیبان و شبکه عصبی مصنوعی در مدل‌سازی بارش رواناب ( مطالعه موردی: حوضه آبریز سد صفارود). نشریه آبیاری و زهکشی ایران. ۶ (۱۳): ۱۷۰۹-۱۷۲۰.

نیکپور، م ر.، ثانی خانی، ه.، محمودی بابلان، س. و محمدی، ع. ۱۳۹۶. کاربرد مدل‌های LS-SVM، ANN، WNN و GEP در شبیه‌سازی بارش-رواناب رودخانه خیاوچای. مجله اکوهیدرولوژی، ۴ (۲): ۶۲۷-۶۳۹.

Firat, M and Gungor, M.2006. River Flow Estimation Using Adaptive Neuro-Fuzzy Inference System. Mathematics and Computers in Simulation, 75: 87-96.

Khan, M.S and Coulibaly, P. 2006. Bayesian neural network for rainfall-runoff modeling. Journal of Water Resources Research, 42.7

 Kumar Vyas, S., Prakash Mathur, Y., Sharma, G and Ghandvani, V.2016. Rainfall-Runoff Modelling: Conventional regression and Artificial Neural Networks approach. Recent Advances and Innovations in Engineering (ICRAIE). DOI: 10.1109/ICRAIE.2016.7939532.

Patel, A.B and 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. Civil Engineering Journal, 3.2: 78-87

Schmidhuber, J. 2015. Deep Learning in Neural Network: An Overview. Neural Networks. 61: 85-117. doi:10.1016/j.neunet.2014.09.003. PMID 25462637.

Schmidhuber, J. 2015. Deep Learning. Scholarpedia. 10.11: 328-343

Shoaib, M., Shamseldin, A., Khan, Sh., Sultan, M., Ahmed, F., Sultan, T., Dahri, Z.H and Ali, I. 2019. Input Selection of Wavelet-Coupled Neural Network Models for Rainfall-Runoff Modeling. Journal of Water Resources Management, 33.3: 955-973

Solomatine, D.P and Ostfeld, A. 2008. Data-driven modeling: some past experience and new approaches. Journal of Hydroinformatics, 10.1: 3-22.

 Tokar, A.S and Johnson, P.A. 1999. Rainfall- Runoff Modeling Using Artificial Neural Networks. Journal of Hydrology Engineering, 3: 232-239.

Yoshua, B., Yann, L and Geoffrey, H. 2015. Deep Learning. Nature. 521: 436-444. Doi: 10.1038/nature14539. PMID 26017442.