River Discharge Time Series Prediction by Chaos Theory
محورهای موضوعی : Irrigation and Drainageاحمد پور مقدم 1 , ادریس معروفی نیا 2 , ابوالفضل شمسایی 3
1 - گروه عمران آب، دانشگاه آزاد اسلامی، واحد مهاباد، ایران.
2 - گروه عمران آب،دانشگاه آزاد اسلامی واحد علوم و تحقیقات،تهران، ایران.
3 - گروه عمران آب،دانشگاه آزاد اسلامی واحد علوم و تحقیقات،تهران، ایران.
کلید واژه: نظریه آشوب, Chaos theory, Correlation dimension, delay time, river discharge, Barandozriver, بعد همبستگی, زمان تأخیر, باراندوز چای,
چکیده مقاله :
The application of chaos theory in hydrology has been gaining considerable interest in recent years.Based on the chaos theory, the random seemingly series can be attributed to deterministic rules. Thedynamic structures of the seemingly complex processes, such as river flow variations, might be betterunderstood using nonlinear deterministic chaotic models than the stochastic ones. In this paper,chaotic behavior of the daily river discharge time series from the BarandozChay, fromSeptember,1983to August, 2009 is investigated. To reconstruct phase space, the time delay and embedding dimensionare needed and for this purpose, Average Mutual Information (AMI) and algorithm of False NearestNeighbors (FNN) wereused. Correlation Dimension method was applied for investigating chaoticbehavior of daily discharge. The delay time and optimum-embedding dimension were obtained 66 and4 respectively. The low amount of correlation dimension (d=3.1) represents the chaotic behavior ofBarandoz river discharge time series.
بررسی رفتار جریان رودخانه یکی از موارد اساسی در طراحی، بهره برداری و مطالعات مربوط به مهندسی آب است. از این رو بکارگیری روش های نوین همچون نظریه آشوب در هیدرولوژی و منابع آب به دلیل نوآوری و قابلیت های آن، اخیراً توجه زیادی را به خود جلب کرده است. یکی از کاربردهای نظریه آشوب، تعیین خصوصیات کمی و آنالیز سری های زمانی هیدرولوژیکی همچون جریان رودخانه است. به منظور بازسازی فضای حالت، زمان تاخیر از روش تابع خود همبستگی و بعد محاط از الگوریتم نزدیکترین همسایگی کاذب محاسبه گردید. روش بعد همبستگی نیز برای بررسی آشوب‌پذیری جریان روزانه بکار گرفته شد، که بعد همبستگی حاصله حاکی از وجود رفتار آشوبناک سری زمانی تحت بررسی میباشد. زمان تأخیر از روش میانگین اطلاعات متقابل برای باراندوزچای برابر 66 به دست آمد. با استفاده از روش نزدیک ترین همسایگی کاذب مناسب ترین بعد محاط برابر 28 تعیین شد. بعد همبستگی برای سری زمانی دبی جریان برابر 1/3 بوده یعنی تعداد متغیرهای لازم برای تشریح سیستم برابر 3 است. مقدار کم بعد همبستگی (d) به دست آمده در مقیاس زمانی روزانه نشان دهنده وجود آشوب در سری زمانی دبی جریان رودخانه باراندوزچای می باشد.
احمدی،ح.، طهمورث، م. و محمدعسگری،ح. (1387). استفاده از نظام استنتاج فازی در برآورد رسوب معلق. مجله علوم و مهندسی آبخیزداری،سال دوم،شماره 5،ص. 62-53.
پری زنگنه،م.،عطایی،م.و معلم،پ.(1388). بازسازی فضای حالت سری های زمانی آشوبی با استفاده از یک روش هوشمند. نشریه الکترونیک و قدرت دانشکده مهندسی برق، سال اول، شماره دوم،ص.34-48.
عطایی،م.(1384). نقش بازسازی فضای حالت در تحلیل سیستم های آشوب گونه و نحوه تعیین پارامترهای مربوطه، مجموعه مقالات دومین همایش آشوب و سیستم های دینامیکی غیرخطی. ایران
فرزین،س.، شیخ الاسلامی،س،ی.و حسن زاده،ی.(1390). تحلیل آشوب پذیری سری زمانی با استفاده از ترسیم فضای فاز و روش بعد همبستگی( بارش ماهانه دریاچه ارومیه). چهارمین کنفرانس مدیریت منابع آب ایران، 13 و 14 اردیبهشت. دانشگاه صنعتی امیرکبیر.ص.33-31.
Damle, C. and Yalcin, A. (2007). Flood Prediction Using Time Series Data Mining. Journal of Hydrology. No. 333,pp.305-316
Farser, A. M. and Swinney, H. L.(1986). Independent Coordinates for Strange Attractors from Mutual Information. Physical Review A .Vol. 33,No.2, pp.1134-1140.
Ghorbani, M., A. Kisi, O. and Aalinezhad, M.(2011). A Probe into the Chaotic Nature of Daily Stream Flow time Series by Correlation Dimension and Largest Lyapanov Methods. Applied Mathematical Modellin.34,pp.4050-4057
Kennel, M., Brown, R. and Abarbanel, H. D .I.(1992).Determining Embedding Dimension for Phase- Space Reconstruction Using a Geometrical Construction. Physical Review A. No.45 (6),pp.3403-3411
Khan, S., Ganguly, A. R. and Saigal, S. (2005).Detection and Predictive Modeling of Chaos in Finite Hydrological Time Series. Nonlinear Processes in Geophysics, No. 12, pp. 41– 53
Kocak, K., Saylan, L.and Sen, O.(2000). Nonlinear Time Series Prediction Of O3 Concentration In Istanbul. Atmosphere Environment, 34 ,pp. 1267 – 1271.
Lisi, F. and Villi, V. (2002). Chaotic forecasting of discharge time series. A case study. J. Am. Water Resour. Assoc. 37,pp. 271-279
Porporato, A. and Ridolfi, L. (1997).Nonlinear analysis of river flow time sequences. Water Resources Research. No. 33(6), pp. 1353 - 1367.
Shang, P. X. Na. and Kamae, S. (2009).Chaotic analysis of Chaos, Solitons and Fractals. No. 41 time series in the sediment transport phenomenon, Pp.379-368
Sivakumar, B., Berndtsson , R. and Persson , M. (2001). Monthly runoff prediction using phase space reconstruction. Hydrol. Sci. J. 46,pp.377-378.
Solomatine, D. P., Velickov, S. and Wust, J .C. (2001).Predicting Water Levels and Currents in The North Sea Using Chaos Theory and Neural Networks, Proc. 29 th Iahr Congress, Beijin,Chin,pp.32-45.
Stehlik, J. (1999) .Deterministic chaos in runoff series., J. Hydrol. Hydromech. 47,pp.271-287.
