ارزیابی تجزیه سری زمانی مبتنی بر تابع موجک در شبیه‌سازی دبی جریان رودخانه

الموضوعات :

واحد اسلامی تبار ¹ (دانشجوی دکتری، گروه مدیریت ساخت و آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.)
احمد شرافتی ² (دانشیار گروه مدیریت ساخت و آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.)
فرشاد احمدی ³ (استادیار گروه هیدرولوژی و مهندسی منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز.)
وحید رضاوردی نژاد ⁴ (استاد گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه.)

تاريخ الإرسال : 11 الثلاثاء , ربيع الأول, 1445 تاريخ التأكيد : 09 الجمعة , جمادى الثانية, 1445 تاريخ الإصدار : 09 الجمعة , جمادى الثانية, 1445

الکلمات المفتاحية: شبیه‌سازی دبی جریان, دابچیز, موجک هار, تبدیل موجک, جنگل تصادفی,

ملخص المقالة :

زمینه و هدف: استفاده از مقادیر تجزیه و تحلیل شده توسط تابع موجک می تواند دقت شبیه سازی ها را افزایش دهد. با توجه به تغییرات اقلیمی و افزایش مقادیر حدی در سال های اخیر، در این مطالعه سعی گردید تأثیر پردازش سیگنال تحت عنوان تبدیل موجک در بهبود عملکرد مدل جنگل تصادفی در شبیه سازی جریان ماهانه در زیرحوضه های سیمینه رود و مهابادچای در جنوب دریاچه ارومیه در دوره آماری 2019-1971 مورد بحث و بررسی قرار گیرد.روش پژوهش: در این مطالعه، دقت مدل جنگل تصادفی در دو مرحله آموزش و آزمون مورد بررسی قرار گرفت. در ابتدا مدل جنگل تصادفی در دو فاز آموزش و آزمایش در شبیه سازی بارش-رواناب در جنوب حوضه دریاچه ارومیه مورد ارزیابی قرار گرفت. در خصوص ارزیابی عملکرد و میزان خطای مدل های مورد مطالعه به ترتیب از آماره های نش-ساتکلیف و جذر میانگین مربعات خطا استفاده شد. در گام بعدی بعد از بررسی عملکرد مدل جنگل تصادفی، اقدام به تجزیه سری های زمانی بارش و دبی جریان در حوضه های مورد مطالعه با استفاده از تابع موجک شد. در این خصوص از دو سطح تجزیه (سطح 1 و 2) و دو تابع موجک Haar و Daubechies استفاده شد. در نهایت با استفاده از مدل جنگل تصادفی به شبیه سازی بارش-رواناب مبتنی بر تئوری موجک تحت عنوان مدل W-RF پرداخته شد.یافته ها و تشریح: درابتدا مدل جنگل تصادفی در دو فاز آموزش و آزمون مورد بررسی قرار گرفته نتایج شبیه سازی مقادیر دبی جریان نشان داد که مقادیر شبیه سازی شده در محدوده اطمینان 95 درصد واقع شده که میزان خطای شبیه سازی مقادیر دبی جریان با استفاده از آماره RMSE به ترتیب برابر با 22/3 و 91/8 مترمکعب بر ثانیه در فاز آزمایش برای زیرحوضه مهابادچای و سیمینه رود است. جهت بررسی تأثیر تجزیه سری زمانی بر عملکرد مدل RF، از تئوری موجک و تابع موجک های Haar و دابچیز4 در دو سطح تجزیه 1 و 2 استفاده شد. با برآورد دقت و عملکرد مدل تلفیقی W-RF در 4 الگوی ورودی، بهترین الگو بر اساس معیارهای ارزیابی مدل RMSE و NSE انتخاب گردید. نتایج بررسی ها نشان داد که برای تابع موجک Haar، تجزیه سطح 1 عملکرد و میزان خطای بهتری نسبت به نوع سطح 2 در هر دو زیرحوضه دارد. در این مطالعه موجک دابچیز در سطح 1 در فاز آزمایش بهترین عملکرد و کمترین میزان خطا را در شبیه سازی مقادیر دبی جریان در زیرحوضه های مورد مطالعه ارائه کرده و توانسته است میزان خطا را در دو زیرحوضه مهابادچای و سیمینه رود به ترتیب حدود 89 و 80 درصد نسبت به مدل جنگل تصادفی کاهش دهد.نتایج: در نهایت با مقایسه دو مدل RF و W-RF در شبیه سازی مقادیر دبی جریان در دو زیرحوضه مورد مطالعه، نتایج نشان داد که مدل تلفیقی W-RF به دلیل تجزیه سری زمانی مورد مطالعه توانسته است میزان خطا را در دو زیرحوضه مهابادچای و سیمینه رود به ترتیب حدود 89 و 80 درصد کاهش دهد. با توجه به افزایش پیچیدگی شبیه سازی با دخالت تئوری موجک، میزان بهبودی خطا و عملکرد مدل قابل قبول می باشد. مدل تلفیقی W-RF در این مطالعه نتایج قابل اعتمادی را برای شبیه‌سازی داده‌های دبی جریان ارائه میدهد تا بتوان از تصمیم‌گیری و تحلیل ریسک در عملیات بهره برداری از مخزن های پایین دست و مدیریت منابع آب زیرحوضه ها پشتیبانی کند. نتایج به دست آمده به‌خوبی می تواند در طراحی سامانه های منابع آب به کار گرفته شود.

المصادر:

Adamowski, J., & Sun, K. (2010). Development of a coupled wavelet transform and neural network method for flow forecasting of non-perennial rivers in semi-arid watersheds. Journal of Hydrology, 390(1-2), 85-91.

Ahmadi, F. (2021). Evaluation of the Efficiency of Data Preprocessing Methods on Improving the Performance of Gene Expression Programming Model (Case Study: Ab Zal River). Journal of Water and Soil, 35(2), 153-165. [In Persian].

Asadi, S., Shahrabi, J., Abbaszadeh, P., & Tabanmehr, S. (2013). A new hybrid artificial neural networks for rainfall–runoff process modeling. Neurocomputing, 121, 470-480.

Bageri, F., Khalili, K., & Nazeri Tahrudi, M. (2023). Evaluation of Entropy Theory Based on Random Forest in Quality Monitoring of Ground Water Network. Water and Irrigation Management, 13(1), 123-139

Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.

Campolo, M., Soldati, A., & Andreussi, P. (2003). Artificial neural network approach to flood forecasting in the River Arno. Hydrological Sciences Journal, 48(3), 381-398.

Cannas, B., Fanni, A., See, L., & Sias, G. (2006). Data preprocessing for river flow forecasting using neural networks: wavelet transforms and data partitioning. Physics and Chemistry of the Earth, Parts A/B/C, 31(18), 1164-1171.

Danandeh Mehr, A., Kahya, E., & Olyaie, E. (2013). Streamflow prediction using linear genetic programming in comparison with a neurowavelet technique. J Hydrol 505:240–249.

Darbandi, S., & Pourhosseini, F. A. (2018). River flow simulation using a multilayer perceptron-firefly algorithm model. Applied Water Science, 8(3), 1-9.

Demyanov, V., Soltani, S., Kanevski, M., Canu, S., Maignan, M., Savelieva, E., ... & Pisarenko, V. (2001). Wavelet analysis residual kriging vs. neural network residual kriging. Stochastic Environmental Research and Risk Assessment, 15(1), 18-32.

Feng, Z. K., & Niu, W. J. (2021). Hybrid artificial neural network and cooperation search algorithm for nonlinear river flow time series forecasting in humid and semi-humid regions. Knowledge-Based Systems, 211, 106580.

Geshnigani, F. S., Golabi, M. R., Mirabbasi, R., & Tahroudi, M. N. (2023). Daily solar radiation estimation in Belleville station, Illinois, using ensemble artificial intelligence approaches. Engineering Applications of Artificial Intelligence, 120, 105839.

Hassanjabbar, A., Nezaratian, H., & Wu, P. (2022). Climate change impacts on the flow regime and water quality indicators using an artificial neural network (ANN): a case study in Saskatchewan, Canada. Journal of Water and Climate Change.

Hu, T. S., Lam, K. C., & Ng, S. T. (2005). A Modified Neural Network for Improving River Flow Prediction/Un Réseau de Neurones Modifié pour Améliorer la Prévision de L'Écoulement Fluvial. Hydrological sciences journal, 50(2).

Jain, S. K., Das, A., & Srivastava, D. K. (1999). Application of ANN for reservoir inflow prediction and operation. Journal of water resources planning and management, 125(5), 263-271.

Jayawardena, A. W., Xu, P., & Tsang, F. L. L. (2004, July). Rainfall predication by wavelet decomposition. In Asia Pacific Association of Hydrology and Water Resources Conference, Singapore.

Jimeno-Sáez, P., Senent-Aparicio, J., Pérez-Sánchez, J., & Pulido-Velazquez, D. (2018). A comparison of SWAT and ANN models for daily runoff simulation in different climatic zones of peninsular Spain. Water, 10(2), 192.

Kalhori, M., Ashofteh, P. S., Moghadam, S. H., & Singh, V. P. (2022). Investigating the effect of uncertainty of AOGCM-TAR and AOGCM-AR5 climate change models on river runoff. Arabian Journal of Geosciences, 15(13), 1-16.

Kisi, O., & Kerem Cigizoglu, H. (2007). Comparison of different ANN techniques in river flow prediction. Civil Engineering and Environmental Systems, 24(3), 211-231.

Mallat, S. G. (1989). Multiresolution approximations and wavelet orthonormal bases of 𝐿² (𝑅). Transactions of the American mathematical society, 315(1), 69-87.

Meresa, H. (2019). Modelling of river flow in ungauged catchment using remote sensing data: application of the empirical (SCS-CN), artificial neural network (ANN) and hydrological model (HEC-HMS). Modeling Earth Systems and Environment, 5(1), 257-273.

Mirzaee, N., & Sarraf, A. (2022). Application of data fusion models in river flow simulation using signals of large-scale climate, case study: Jiroft Dam Basin. Watershed Engineering and Management, 13(4), 672-689.

Mohanta, N. R., Patel, N., Beck, K., Samantaray, S., & Sahoo, A. (2021). Efficiency of river flow prediction in river using wavelet-CANFIS: a case study. In Intelligent Data Engineering and Analytics: Frontiers in Intelligent Computing: Theory and Applications (FICTA 2020), Volume 2 (pp. 435-443). Springer Singapore.

Nakken, M. (1999). Wavelet analysis of rainfall–runoff variability isolating climatic from anthropogenic patterns. Environmental Modelling & Software, 14(4), 283-295.

Nash, J. E., & Sutcliffe, J. V. (1970). River flow forecasting through conceptual models part I—A discussion of principles. Journal of Hydrology, 10(3), 282-290.

Nazeri Tahroudi, M., Ahmadi, F., & Mirabbasi, R. (2023). Performance comparison of IHACRES, random forest and copula-based models in rainfall-runoff simulation. Applied Water Science, 13(6), 134.

Nekoeeyan, M. A., Radmanesh, F., & Ahmadi, F. (2022). Prediction of Monthly Streamflow Using Shannon Entropy and Wavelet Theory Approaches (Case study: Maroon River). Water and Irrigation Management, 12(1), 15-31. doi: 10.22059/jwim.2022.335702.949. [In Persian].

Nilsson, P., Uvo, C. B., & Berndtsson, R. (2006). Monthly runoff simulation: Comparing and combining conceptual and neural network models. Journal of Hydrology, 321(1-4), 344-363.

Noori, N., Kalin, L., & Isik, S. (2020). Water quality prediction using SWAT-ANN coupled approach. Journal of Hydrology, 590, 125220.

Nourani, V., Baghanam, A. H., Adamowski, J., & Kisi, O. (2014). Applications of hybrid wavelet–artificial intelligence models in hydrology: a review. Journal of Hydrology, 514, 358-377.

Pronoos Sedighi, M., Ramezani, Y., Nazeri Tahroudi, M., & Taghian, M. (2023). Joint frequency analysis of river flow rate and suspended sediment load using conditional density of copula functions. Acta Geophysica, 71(1), 489-501.

Salerno, F., & Tartari, G. (2009). A coupled approach of surface hydrological modelling and Wavelet Analysis for understanding the baseflow components of river discharge in karst environments. Journal of hydrology, 376(1-2), 295-306.

Seifi, A., & Riahi-Madvar, H. (2019). Improving one-dimensional pollution dispersion modeling in rivers using ANFIS and ANN-based GA optimized models. Environmental Science and Pollution Research, 26(1), 867-885.

Sivakumar, B., Jayawardena, A. W., & Fernando, T. M. K. G. (2002). River flow forecasting: use of phase-space reconstruction and artificial neural networks approaches. Journal of hydrology, 265(1-4), 225-245.

Solgi, A., Pourhaghi, A., Bahmani, R., & Zarei, H. (2017a). Pre-processing data using wavelet transform and PCA based on support vector regression and gene expression programming for river flow simulation. Journal of Earth System Science, 126(5), 1-17.

Solgi, A., Zarei, H., Nourani, V., & Bahmani, R. (2017b). A new approach to flow simulation using hybrid models. Applied Water Science, 7(7), 3691-3706.

Wei, S., Yang, H., Song, J., Abbaspour, K., & Xu, Z. (2013). A wavelet-neural network hybrid modelling approach for estimating and predicting river monthly flows. Hydrological Sciences Journal, 58(2), 374-389.

Zakhrouf, M., Bouchelkia, H., Stamboul, M., Kim, S., & Heddam, S. (2018). Time series forecasting of river flow using an integrated approach of wavelet multi-resolution analysis and evolutionary data-driven models. A case study: Sebaou River (Algeria). Physical Geography, 39(6), 506-522.

Zealand, C. M., Burn, D. H., & Simonovic, S. P. (1999). Short term streamflow forecasting using artificial neural networks. Journal of hydrology, 214(1-4), 32-48.

Zhou, J., Wang, D., Band, S. S., Jun, C., Bateni, S. M., Moslehpour, M., ... & Ameri, R. (2023). Monthly River Discharge Forecasting Using Hybrid Models Based on Extreme Gradient Boosting Coupled with Wavelet Theory and Lévy–Jaya Optimization Algorithm. Water Resources Management, 1-20.