پیش‌بینی بلند مدت رواناب با استفاده از شبکه های عصبی مصنوعی و سیستم استنتاج فازی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دکترای /مهندسی آب، دانشگاه صنعتی امیرکبیر (پلی تکنیک تهران)

2 استاد /دانشکده فنی دانشگاه تهران ،

چکیده

مدل‏های مفهومی ‌بر مبنای هوش مصنوعی، اغلب برای پیش‌بینی‏های کوتاه مدت و میان مدت هیدورلوژیکی به کار رفته اند. در این مقاله با استفاده از مفهوم تولید مجموعه ای از پیش‌بینی‌ها1 (ESP) و تفکیک مدل‏سازی برای متغیرهای اقلیمی‌و هیدرولوژیکی، از مدل‏های مفهومی ‌برای پیش‌بینی بلندمدت حجم جریان رودخانه زاینده رود در محل ورودی به سد زاینده رود استفاده می‌شود. سیستم استنتاج فازی برای پیش‌بینی بارش فصلی به صورت عدد فازی و شبکه‌های عصبی مصنوعی برای شبیه سازی تبدیل اطلاعات هیدروکلیماتولوژیکی ‌به جریان رودخانه مورد استفاده قرار می‌گیرند. فصل بندی بارش و جریان ماهانه، واسنجی مدل‏های اقلیمی ‌و هیدرولوژیکی و استفاده از الگوریتم توقف آموزش2 در شبکه‌های عصبی، دقت پیش‌بینی مدل‏ها را در این تحقیق افزایش داده است. علاوه بر بررسی دقت رویکرد پیش‌بینی جریان در فصول مختلف، نتایج این مدل با یک مدل پیش‌بینی ماهانه بر مبنای شبکه‌های عصبی که با استفاده از اطلاعات مشاهده شده، جریان ماهانه را پیش‌بینی می‌کند، مقایسه می‌گردد. نتایج این تحقیق نشان می‌دهد که رویکرد ارائه شده علاوه بر دقت قابل قبول در پیش‌بینی نقطه‌ای و بلند مدت جریان، امکان پیش‌بینی به صورت مجموعه‌ای از جریان‌های ممکن را نیز فراهم می‌آورد که در برنامه ریزی و مدیریت منابع آب با در نظر گرفتن عدم قطعیت پیش‌بینی‏ها، حائز اهمیت است. 

کلیدواژه‌ها


عنوان مقاله [English]

Long-Lead Streamflow Forecasting using Artificial Neural Networks and Fuzzy Inference System

نویسندگان [English]

  • Sh Araghinejad 1
  • M Karamouz 2
1 Ph. D., School of Civil and Environmental Engineering, Amirkabir University (Tehran Polytecchnic)
2 Professor, School of Engineering, University of Tehran
چکیده [English]

Conceptual models have been often used in short- or mid-term hydrologic forecasting. In this paper a framework for combining two conceptual climatic and hydrologic models is used in order to generate long-lead Ensemble Streamflow Prediction (ESP) of streamflow to Zayandeh-rud reservoir. In the proposed approach, two models based on a Fuzzy Inference System (FIS) for seasonal rainfall forecasts and Artificial Neural Networks (ANNs) for mapping hydroclimatic variables to streamflow data are used. Illusions such as clustering of rainfall and streamflow data, a proper calibration procedure as well as using a stopped training approach in ANN calibration, improve the accuracy of the forecasts. The results of the proposed approach are assessed by various criteria. Further, the results are compared with an ANN-based streamflow forecast, which uses the observed hydroclimatic data in monthly streamflow forecasting. The results show that using the proposed approach has the advantage of generating proper long-lead point and ensemble forecasts, which could be potentially used to reflect the uncertainty of future available water resources. 

کارآموز، محمد (1382) "سیستم پشتیبانی در تصمیم‏گیری سد زاینده‏رود و مدیریت خشکسالی" دانشگاه صنعتی امیرکبیر-کارفرما: سازمان آب منطقه ای اصفهان
Anderson. M. L., M. L. Kavvas and Mierzwa, M. D. (2001), “Probabilistic/ensemble forecasting: a case study using hydrologic response distributions associated with El Niño/Southern Oscillation (ENSO)” Journal of Hydrology, 249, pp. 134-147.
Coulibaly, P., Anctil, F. and Bobée, B. (2000), “Daily reservoir inflow forecasting using artificial neural networks with stopped training approach”, Journal of Hydrology, 230, pp. 244-257.
Day, G. N. (1983), “Extended Streamflow Forecasting Using NWSRFS”, ASCE Water Resources Planning and Management, Vol. (111), No. 2. pp. 157-170.
Mamdani E. H. (1976), "Advances in linguistic synthesizes of fuzzy controllers”, J. Man mach. Stud., vol. 8, pp. 669-678.
Faber. B. A., and Stedinger. J. R., (2001), "Reservoir optimization using sampling SDP with ensemble streamflow prediction (ESP) forecast", Journal of Hydrology,. 249, pp. 113-133.
Hsu, K.-L., Gupta, H. V. and Sorooshian, S. (1995), “Artificial neural networks modeling of rainfall-runoff process”, Water Resources Research, 31(10), pp. 2517-2530.
Lettenmaier, D.P. and Wood. E.F. (1993), Hydrologic Forecasting, Handbook of Hydrology, Chap. 26, Maidment (Ed.) McGraw-Hill, Hightstown, NJ.
Pesti. G., Shresta.B. P., Duekstain.L., and Bogardi.I., (1996), "A fuzzy rule-based approach to drought assessment" Water Res. Res. Vol. 132. No. 6. pp. 1741-1747.
Piechota. T. C., Chiew. F. H. S., and Dracup. J. A. (1998), "Seasonal streamflow forecasting in eastern Australia and the El Nino – Southern Oscilation" Water Resou. Res. Vol. 34. No. 11, pp. 3035-3044.
Ross, T. J., (1995), Fuzzy Logic with Engineering Applications, McGraw-Hill, Hightstown, NJ, 600 pp.
Troup, A. J. (1965), “The southern oscillation.” Quarterly J. Royal Meteorological Soc., 91, pp. 490-506.