بخشی از مقاله
چکیده
رویکرد تلفیق داده میتواند با به با کار بردن قابلیتهای مدلهای شبیهسازی مختلف منجر به بهبود دقت نتایج پیشبینیهای هیدرولوژیک شود. در این مقاله، رویکرد تلفیق داده مبتنی بر بیشینه آنتروپی بیزی به منظور پیشبینی جریان رودخانه با تلفیق نتایج پیشبینی به دست آمده از مدلهای منفرد پیشبینی مانند مدل شبیهسازی شبکه عصبی مصنوعی، ARIMA، سیستم استنتاج تطبیقی عصبی- فازی، رگرسیون بردار پشتیبان، مدل درختی M5 و موجک- شبکه عصبی توسعه داده میشود. عملکرد این مدل با مدلهای منفرد به کار برده شده در پیشبینی عادی و پیشبینی در شرایط حدی با استفاده از معیارهای مختلف مقایسه میشود. نتایج کاربرد این رویکرد تلفیقی در مطالعه موردی پیشبینی دبی روزانه در ایستگاه هیدرومتری لتیان در بالادست مخزن سد بر رودخانه جاجرود نشاندهنده کارایی آن میباشد.
-1 مقدمه
پیشبینی جریان رودخانه همواره در مدیریت و برنامهریزی منابع آب مورد توجه و اهمیت زیادی بوده است. از مهمترین کاربردهای پیشبینی دبی جریان و تغییرات زمانی آن در طول رودخانه در عملیات عمرانی، ساماندهی رودخانه، هشدار سیل و بهرهبرداری بهینه از مخازن میباشد. با توجه به اهمیت این موضوع، توسعه و کاربرد رویکردها و مدلهای هرچه دقیقتر در پیشبینی دبی رودخانه بسیار ضروری است. تحقیقات اخیر نشان میدهد که استفاده از رویکرد تلفیق داده1 نتایج بهتری در پیشبینی هیدرولوژیک، نسبت مدلهای منفرد پیشبینی ارائه میدهد. هدف رویکرد تلفیق داده، ترکیب نتایج به دست آمده از مدلهای مختلف به گونهای است که خروجی این فرآیند دقیقتر از هر یک از مدلهای به کار گرفته شده به صورت جداگانه باشد.
در زمینه پیشبینی هیدرولوژیک، میتوان از امکان ترکیب نتایج به دست آمده از مدلهای منفرد شبیهسازی متغیرهای هیدرولوژیکی سود برد. تحقیقات در زمینه کاربرد رویکرد تلفیق داده در منابع آب از دهه 90 آغاز شد. از تحقیقات اولیه در این زمینه مربوط به Shamseldin et al. - 1997 - میباشد. در این مقاله، محققان توجیه تئوری و تجربی رویکرد تلفیقی را ارائه کردند. آنها سه مدل تلفیقی شامل میانگینگیری ساده، میانگینگیری وزندار 1و شبکه عصبی مصنوعی را برای تلفیق نتایج حاصل از پنج مدل بارش-رواناب در یازده حوضه آبریز اعمال کردند و نشان دادند که روشهای تلفیقی از دقت بیشتری نسبت به مدلهای منفرد برخودارند و مدل تلفیقی شبکه عصبی مصنوعی بهترین نتایج را در میان مدلهای تلفیقی ارائه میکند.
Xiong et al. - 2001 - از سیستم استنتاج فازی2به عنوان روش تلفیقی استفاده نمودند و این روش را با مدلهای میانگینگیری ساده، میانگینگیری وزندار و شبکه عصبی در تلفیق نتایج پنج مدل مفهومی بارش-رواناب برای پیشبینی سیلاب در یازده حوضه آبریز مختلف مورد مقایسه قرار دادند. Abrahart and See - 2002 - شش روش مختلف تلفیق داده شامل میانگینگیری ساده، بهترین مدل در گام زمانی قبل،3 دو مدل شبکه عصبی بر اساس دادههای اصلی و دادههای تفاضلی و دو مدل مبتنی بر منطق فازی بر اساس دادههای اصلی و دادههای تفاضلی را در پیشبینی آورد دو حوضه آبریز با خصوصیات متفاوت مورد ارزیابی قرار دادند و به این نتیجه رسیدند که تلفیق داده به روش شبکه عصبی مصنوعی، بهترین نتایج را در رژیمهای پایدار و مدل احتمالاتی فازی بهترین نتایج را در رژیمهای فرار ارائه میکند.
Jeong and Kim - 2005 - از دو مدل شبکه عصبی شامل مدل منفرد شبکه عصبی و مدل تلفیقی شبکه عصبی به منظور افزایش دقت شبیهسازی جریان ورودی به مخزن بهره بردند. آنها نتایج این مدلها را با مدل تانک مورد مقایسه قرار دادند. Coulibaly et al. - 2005 - از رویکرد تلفیق داده به منظور افزایش دقت پیشبینی جریان روزانه ورودی به مخزن به دست آمده از مدلهای هیدرولوژیک مفهومی استفاده نمودند. آنها از روش میانگینگیری وزندار برای تلفیق نتایج مدلهای نزدیکترین همسایگی، مدل مفهومی و شبکه عصبی مصنوعی بهره بردند. نتایج نشان داد که عملکرد مدل منفرد بهتر از سه مدل منفرد استفاده شده است.
Ajami et al, - 2006 - چهار روش تلفیق داده شامل میانگینگیری ساده، میانگینگیری وزندار، مدل تلفیقی ویژه و مدل تلفیقی ویژه اصلاح شده را به منظور بررسی چگونگی تأثیر رویکرد تلفیق داده و روشهای مختلف آن در افزایش دقت پیشبینی مورد مقایسه قرار دادند. آنها دریافتند که روشهای تلفیقی عملکرد بهتری نسبت به مدلهای منفرد دارند و مدلهای تلفیقی ویژه عملکرد بهتری نسبت به دو مدل تلفیقی دیگر در افزایش دقت پیشبینی دارند.
Shamseldin et al. - 2007 - عملکرد سه ساختار مختلف شبکه عصبی را در تلفیق نتایج شبیه سازی جریان رودخانه به دست آمده از چهار مدل مختلف بارش-رواناب مورد مقایسه قرار دادند. آنها برای این مقایسه از اطلاعات روزانه هشت حوضه آبریز واقع در نقاط مختلف جهان با شرایط هیدرولوژیک و اقلیمی متفاوت استفاده نمودند. نتایج این مقایسه نشان داد که عملکرد هر سه مدل تلفیقی به طور متوسط بهتر از بهترین مدل منفرد بارش-رواناب است.
Fenicia et al. - 2007 - رویکرد وزندهی فازی را برای تلفیق نتایج دو مدل مفهومی به منظور شبیهسازی دبی رودخانه Alzette در لوگزامبورگ ارائه نمودند. آنها نشان دادند که مدل تلفیقی دقت بیشتری از مدلهای منفرد دارد و باعث بهبود نتایج شبیه سازی میشود. Azmi et al . - 2010 - شش روش تلفیق داده شامل میانگینگیری ساده، میانگینگیری وزندار، مدل تلفیقی بر اساس تجربه کاربر، شبکه عصبی مصنوعی، آنالیز خطا1و نزدیکترین همسایگی را در دو حوضه آبریز اعمال کرده و به این نتیجه رسیدند که مدلهای تلفیق داده، دقت پیشبینی را به شکل قابل ملاحظهای افزایش میدهند و در میان روشهای تلفیق داده، روش نوین بر پایه نزدیکترین همسایگی نتایج بهتری ارائه میدهد.
Velázquez et al. - 2011 - نتایج و عملکرد سیستمهای پیشبینی هیدرولوژیک زمانی با رویکرد تلفیق داده را مورد ارزیابی قرار دادند. آنها از دادههای 29 حوضه آبریز در فرانسه و 16 مدل هیدرولوژیک بهره بردند. نتایج نشان داد که رویکرد تلفیق مدلهای مختلف پیشبینی، باعث افزایش دقت و اعتمادپذیری نتایج شده و عملکرد بهتری نسبت به مدلهای منفرد هیدرولوژیک دارد. Araghinejad et al. - 2011 - روش احتمالاتی بر اساس نزدیکترین همسایگی را به منظور تلفیق شبکههای عصبی ارائه نمودند.
آنها این مدل را برای پیشبینی دبی پیک در روخانه رد در کانادا و پیشبینی جریان فصلی رودخانه زاینده رود در ایران مورد استفاده قرار دادند و نتایج حاصل از آن را با مدلهای شبکه عصبی و رگرسیون نزدیکترین همسایگی2 مقایسه نمودند. نتایج نشان داد که مدل ارائه شده میتواند باعث بهبود پیشبینی احتمالاتی وقایع هیدرولوژیک شود و عملکرد بهتری نسبت به سایر مدلهای مورد استفاده قرار گرفته، دارد.
Liao and Lie - 2012 - از چند روش تلفیق داده شامل میانگینگیری ساده، میانگینگیری وزندار، میانگینگیری ساده انطباقی 3 و میانگینگیری وزندار انطباقی 4به منظور افزایش دقت پیشبینی سیلاب بهره بردند. این مطالعه نشان داد که نتایج روشهای تلفیق داده بهتر از هر یک از مدلهای منفرد هستند و هر کدام از روشهای تلفیقی تأثیر خاص خود را در افزایش دقت پیشبینی دارند. Phukoetphim and Shamseldin - 2013 - روش stochastic gradient boosting را به منظور تلفیق چهار مدل بارش- رواناب در پیشبینی جریان رودخانه ارائه نمودند. آنها نتایج این مدل را با مدلهای میانگینگیری ساده و وزندار مقایسه نمودند و به این نتیجه رسیدند که رویکرد تلفیقی میتواند نتایج پیشبینی را بهبود بخشد. آنها نشان دادند که مدل ارائه شده توانایی ارائه به عنوان یک روش تلفیقی مناسب را دارد.
Arsenault et al. - 2015 - تلفیق وزندار مدلهای هیدرولوژیک مختلف را به منظور شبیهسازی دقیقتر جریان رودخانه و مشخص نمودن بهترین مدل میانگینگیری مورد ارزیابی قرار دادند. برای این منظور آنها از چهار مدل هیدرولوژیک که هر کدام با سه تابع هدف مختلف در 429 حوضه آبریز کالیبره شدند، بهره بردند. دوازده هیدروگراف به دست آمده با استفاده از 9 روش میانگینگیری مختلف تلفیق شدند. نتایج نشان داد که روش تلفیق میانگینگیری از چهار مدل منفرد، نتایج بهتری در %76 حوضهها دارد.
