مدلسازی رواناب ماهانه با استفاده از روشهای داده کاوی براساس الگوریتم های انتخاب ویژگی

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

محمدتقی ستاری ¹ (عضو هیئت علمی گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز)
علی رضازاده جودی ² (کارشناسی ارشد عمران-آب، باشگاه پژوهشگران جوان و نخبگان، واحد مراغه، دانشگاه آزاد اسلامی، مراغه، ایران.)

تاریخ دریافت : 1395/11/05 تاریخ پذیرش : 1397/02/17 تاریخ انتشار : 1397/04/01

کلید واژه: مدل‌سازی رواناب, نزدیک‌ترین همسایگی, الگوریتم رلیف, داده‌کاوی, رگرسیون بردارپشتیبان, حوضه ناورود,

چکیده مقاله :

باتوجه به اهمیت مقدار جریان خروجی از حوضه آبریز جهت مدیریت آب های سطحی، فهم دقیق ارتباط بین مقدار رواناب با پارامترهای اقلیمی همچون بارش و دما و شناسائی موثرترین پارامتر در فرآیند مدل سازی بسیار مهم می‌باشد. در این تحقیق پس از آزمون همگنی داده‌های بارش، دما و رواناب ماهانه حوضه آبریز ناورود، ابتدا براساس دو الگوریتم رلیف و همبستگی دو ترکیب مختلف از پارامترهای موثر در رواناب مورد توجه قرار گرفت. الگوریتم جدید رلیف با استفاده از میانگین بردار وزنی مرتبط بین داده‌ها و یک مقدار آستانه، ویژگی‌های موثر در بین یک مجموعه از داده‌ها را به ویژه در شرایطی که تعداد داده‌ها کم باشد، به ترتیب اهمیت شناسایی می‌کند. سپس با استفاده از دو روش رگرسیون بردار پشتیبان و نزدیک‌ترین همسایگی رواناب ماهانه مبتنی بر دو ترکیب ورودی پیشنهادی مدل سازی گردید. نتایج به‌دست آمده نشان داد، روش رگرسیون بردار پشتیبان با بهره گیری از تابع کرنل شعاع محور نسبت به روش نزدیک‌ترین همسایگی از دقت بالا و خطای کمتری در برآورد رواناب به خصوص در مقادیر جریان‌های سیلابی برخوردار است.

چکیده انگلیسی:

Given the importance of catchment basin output flow for surface water management, precise understanding of the relationship between the amount of runoff and climatic parameters such as precipitation and temperature is important. therefore the identification of parameters are important in the modeling process.  In this paper, after homogeneity tests have been carried out for monthly precipitation, temperature, and runoff data in the Navroud Catchment Basin in Iran, two combinations of effective factors for runoff are considered according to Relief and Correlation algorithms. A new Relief Algorithm first identifies effective features within a set of data in an orderly manner especially when the amount of available data is low. The new method uses a data-related weight vector average and a threshold value. Applying support vector regression and the nearest neighbor method, monthly runoff was modeled based on the two proposed combinations. The results showed that support vector regression approach which utilizes a radial basis function kernel, yields higher accuracy and lower error than the nearest neighbor method for estimating runoff. The improvement is particularly noticeable for flooding situations.

منابع و مأخذ:

بی نام، 1382. گزارش طرح جامع چند منظوره حوضه آبریز ناورود. اداره کل منابع طبیعی استان گیلان.

جودی حمزه آباد، آ.، کدخدا حسینی، م.، اخوان، س. و نوروزی، ح. 1395. ارزیابی مدلهای SWAT و SVM در شبیه‌سازی رواناب رودخانه لیقوان. دانش آب و خاک، 26(1): 137-150.

خزایی، م.، میرزایی، م. و ملکیان، آ. 1393. ارزیابی کارایی مدل‌های MLP و RBF در مدل‌سازی بارش-رواناب در مقیاس‌های زمانی مختلف. دو فصلنامه مدیریت آب در مناطق خشک، 1(1): 1-12.

رضایی، ع.، مهدوی، م.، لوکس، ک.، فیض نیا، س. و مهدیان، م. 1386. مدل‌سازی منطقه‌ای دبی‌های اوج در زیر حوضه‌های آبخیز سد سفیدرود با استفاده از شبکه عصبی مصنوعی. مجله علوم و فنون کشاورزی و منابع طبیعی، 1: 25-.40.

سیدیان، س م.، سلیمانی، م. و کاشانی، م. 1393. پیش‌بینی دبی جریان رودخانه با استفاده از داده‌کاوی و سری زمانی. اکوهیدرولوژی، 3: 167-179.

شهرابی، ج. و ذوالقدر شجاعی، ع. 1390. داده‌کاوی پیشرفته) مفاهیم و الگوریتم‌ها(.  انتشارات جهاد دانشگاهی واحد صنعتی امیرکبیر، 457 ص.

عبداله پور آزاد، م. و ستاری، م. 1394. پیش‌بینی جریان روزانه رودخانه اهرچای با استفاده از روش‌های شبکه عصبی مصنوعی (ANN) و مقایسه آن با سیستم استنتاجی فازی-عصبی تطبیقی (CANFIS). نشریه پژوهش‌های حفاظت آب و خاک، 22(1): 287-298.

عزمی، م. و عراقی نژاد، ش. 1391. توسعه روش رگرسیون k-نزدیکترین همسایگی در پیش‌بینی جریان رودخانه. آب و فاضلاب، 2: 108-119.

عظیمی، و.، وکیلی فرد، ع. و اسدی، ا. 1394. ارزیابی برنامه‌ریزی بیان ژن و مدل M5 در برآورد دبی‌های روزانه، مطالعه موردی رودخانه لیقوان. فصلنامه بین المللی پژوهشی تحلیلی منابع آب و توسعه، 3(11): 134-.142

 غظنفری هاشمی، س. و  شهیدی، ا ا. 1391. پیش‌بینی عمق آبشستگی اطراف پایه پل با استفاده از ماشین‌های بردار پشتیبان. مجله عمران مدرس، 12 (2): 23-36.

غلامی، و. و درواری، ز. 1392. شبیه سازی فرایند بارش-رواناب با بکارگیری شبکه عصبی مصنوعی (ANN) و مدل HEC-HMS (مطالعه موردی حوضه آبخیز کسیلیان). نشریه علوم و مهندسی آبخیزداری ایران، 7(21): 67-70.

فتح ا... زاده، ط. 1394. بررسی انواع و شدت فرسایش و تولید رسوب در زیر حوضه های آبخیز ناورود. فصلنامه جغرافیای طبیعی، 8(27): 25-38.

ملکیان، آ.، محسنی ساروی، م. و مهدوی، م. 1383. بررسی کارایی روش شماره منحنی دربرآورد عمق رواناب. نشریه منابع طبیعی، 57(4): 621-633.

نگارش، ح.، طاوسی، ت. و مهدی نسب، م. 1391. مدل‌سازی تولید رواناب خوضه آبریز رودخانه کشکان بر اساس روش‌های آماری. دوفصلنامه پژوهش‌های بوم شناسی شهری، 6: 81-92.

ولی خوجینی، ع. 1377. بررسی شماره منحنی (CN) روش SCS در برآورد عمق رواناب و بده اوج در حوضه‌های آبخیز معرف سلسله جبال البرز. پژوهش و سازندگی، 38: 12-15.

Adamowski, J. 2013. Using support vector regression to predict direct runoff, base flow and total flow in a mountainous watershed with limited data in Uttaranchal, India, Annals of Warsaw University of Life Sciences-SGGW, Land Reclamation No, 45 (1): 71–83

Dingman, S.L. 1994. Physical Hydrology; Prenice Hall. 646 pages.

Eskandarinia, A., Nazarpour, H., Teimouri, M., Ahmadi, M. 2010. Comparison of K-nearest neighbor in daily flow forecasting. Journal of applied sciences, 10(11): 1006-1010

Hall, M. A. 1999. Correlation-based Feature Selection for Machine Learning, phd thesis, University of Waikato.

Hu, C., Wu, Z., Wang, J., Liu, L. 2011. Application of the Support Vector Machine on Precipitation-Runoff Modelling in Fenhe River. International Symposium on Water Resource and Environmental Protection (ISWREP),1099-1103.

Kira, K., and Rendell, L. A. 1992. The Feature Selection Problem: Traditional methods and a new algorithm. AAAI-92 Proceedings of the tenth national conference on Artificial intelligence, 129-134

Kohler, M.A., and Linsly, R.K. 1951. Predicting runoff from storm rainfall. U.S. Weather Bureau, Research, Paper, 34: 1-10.

Kumar Vyas, S., Prakash Mathur, Y., Sharma, G., 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.

Okkan, U., Serbes, Z. A. 2012. Rainfall-Runoff modeling using least squares support vector machines. Journal of Environmentrics, DOI: 10.1002/env.2154

Patel, A.B., 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

Sattari, M. T., Apaydin, H., Ozturk, F. 2012. Flow estimations for the Sohu Stream using artificial neural networks. Environmental earth science, 66: 2031-2045

Sattari, M. T., Pal, M., Apaydin, H., Ozturk, F. 2013. M5 Model Tree Application in Daily River Flow Forecasting in Sohu Stream, Turkey. Journal of water resources and the regime of water bodies, 40(3): 233-242

Vafakhah, M., Janizadeh, S., Khosrobeigi Bozchaloei, S. 2014. Application of Several Data-Driven Techniques for Rainfall-Runoff Modeling. Journal of Ecopersia, 2(1): 455-469