شبیه‌سازی بارش دراز مدت شهر بابلسر توسط مدل بهینه‌یافته موجک – ماشین آموزش نیرومند

الموضوعات :

حامد کریمی ¹ (دانشجوی دکتری منابع آب، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران)
محمد علی ایزدبخش ² (گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران)
بهروز یعقوبی ³ (گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران)
سعید شعبانلو ⁴ (گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران)

تاريخ الإرسال : 06 الأربعاء , رمضان, 1441 تاريخ التأكيد : 23 السبت , ذو القعدة, 1442 تاريخ الإصدار : 13 الجمعة , ذو الحجة, 1442

الکلمات المفتاحية: بابلسر, بارندگی, شبیه‌سازی, ماشین آموزش نیرومند, تبدیل موجک,

ملخص المقالة :

در این مطالعه، بارندگی دراز مدت شهر بابلسر توسط یک مدل هوش مصنوعی بهینه یافته شبیه‌سازی شد. برای اینکار، ماشین آموزش نیرومند (ELM) و تبدیل موجک (wavelet transform) با همدیگر ترکیب شدند. لازم به ذکر است که مقادیر بارندگی‌ها به‌صورت ماهیانه از سال 1951 تا 2019 بکار گرفته شدند که 70 درصد آنها برای آموزش این مدل هوش مصنوعی و 30 درصد باقیمانده برای آزمون آن استفاده گردید. در ابتدا، توابع فعال‌سازی مدل ماشین آموزش نیرومند مورد بررسی قرار گرفتند که بهترین آن شامل تابع فعال‌سازی sigmoid انتخاب شد. همچنین، تاخیرهای داده‌های سری زمانی با استفاده از تابع خود همبستگی معرفی شدند که با استفاده از این تاخیرها، چهار مدل ماشین آموزش نیرومند تعریف گردید. با اجرای یک تحلیل حساسیت، مدل برتر ELM معرفی شد. مقادیر ضریب همبستگی (R)، شاخص عملکرد (VAF) و شاخص پراکندگی (SI) برای مدل برتر ELM به‌ترتیب مساوی با 524/0، 064/27 و 819/0 محاسبه شدند. علاوه بر این، موجک‌های مادر مختلف مورد بررسی قرار گرفتند که dmey به‌عنوان بهترین موجک مادر انتخاب شد. تبدیل موجک دقت مدل‌سازی را به شکل قابل توجهی افزایش داد. به‌عنوان مثال، شاخص عملکرد مدل ترکیبی WELM مساوی با 461/86 بدست آمد. لازم به ذکر است که مدل ترکیبی نیز برای سه سطح تجزیه مختلف مورد بررسی قرار گرفت که بهترین سطح تجزیه مدل ترکیبی معرفی گردید. لازم به ذکر است که تاخیرهای شماره (t-1) و (t-12) به‌عنوان موثرترین تاخیرهای داده‌های سری زمانی شناسایی شدند.

المصادر:

باباعلی، ح. و دهقانی، ر. 1391 . مقایسه مدل های هوشمند در تخمین بارش ماهانۀ حوضۀ کاکارضا. اکولوژی، 1(4): 1-11.

دهقانی، ن.، وفاخواه، م. و بهره مند، ع. 1392 . مدل سازی بارش رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی - عصبی تطبیقی در حوزه آبخیز کسیلیان. پژوهشنامه مدیریت حوزه آبخیز، 7 (13): 128-137.

Chang, T. K., Talei, A., Quek, C. and Pauwels, V. R. 2018. Rainfall-runoff modelling using a self-reliant fuzzy inference network with flexible structure. Journal of hydrology, 564: 1179-1193.
Dabral, P. P. anf Murry, M. Z. 2017. Modelling and forecasting of rainfall time series using SARIMA. Environmental Processes, 4(2): 399-419.
Hardwinarto, S. and Aipassa, M. 2015. Rainfall monthly prediction based on artificial neural network: A case study in Tenggarong Station, East Kalimantan-Indonesia. Procedia Computer Science, 59: 142-151.
Huang, G.-B., Zhu, Q.-Y. and Siew, C.-K. 2006. Extreme learning machine: theory and applications. Neurocomputing 70:489–501.
Mallat, S. 1989. Multiresolution approximations and wavelet orthonormal bases of L2(R). Trans. Am. Math. Soc. 315 (1):69–87.
Mehr, A. D., Nourani, V., Khosrowshahi, V. K. and Ghorbani, M. A. 2019. A hybrid support vector regression–firefly model for monthly rainfall forecasting. International Journal of Environmental Science and Technology, 16(1): 335-346.
Nagahamulla, H. R., Ratnayake, U. R. and Ratnaweera, A. 2012. An ensemble of artificial neural networks in rainfall forecasting. In International Conference on Advances in ICT for Emerging Regions (ICTer2012) (pp. 176-181). IEEE.
Nasseri, M., Asghari, K. and Abedini, M. J. 2008. Optimized scenario for rainfall forecasting using genetic algorithm coupled with artificial neural network. Expert systems with applications, 35(3): 1415-1421.
Nourani, V., Hosseini Baghanam, A., Adamowski, J. and Kisi, O. 2014. Applications of hybrid wavelet–Artificial Intelligence models in hydrology: A review. Journal of Hydrology 514: 358–377.
Nourani, V., Kaynejad, M.A. and Malekani, L. 2009. Application of neuro- fuzzy inference system in rainfall-runoff modeling. Journal of Civil of Engineering & Environment, 39(4): 75-81.
Savic, D. A., Walters, G. A. and Davidson, J. W. 1999. A genetic programming approach to rainfall-runoff modelling. Water Resources Management, 13(3), 219-231.
Wong, K. W., Wong, P. M., Gedeon, T. D. and Fung, C. C. 2003. Rainfall prediction model using soft computing technique. Soft Computing, 7(6): 434-438.