بخشی از مقاله
چکیده
در متن ایجاد مدل هیدرولوژیکی پیشبینی رواناب بر اساس دادههاي گذشته، یکی از ضروریات برنامهریزي و مدیریت طرحهاي ساماندهی رودخانه است. بدین منظور روشهاي نوین دادهکاوي از جمله روش شبکه عصبی مصنوعی، سیستم استنتاج عصبی-فازي و نیز روش استنتاج عصبی-فازي با پیشپردازش هاي FCM و SUBCLAST به کار گرفته شد.
دادههاي ماهانه دبی در ایستگاه استور به عنوان دادههاي هدف و دادههاي ماهانه دبی در ایستگاههاي بالادست و نیز دادههاي ماهانه بارش در ایستگاه میانه به عنوان دادههاي ورودي به سیستم در نظر گرفته شد. جهت ارزیابی عملکرد مدلها از جذر میانگین مربعات خطا، ضریب همبستگی و نیز میانگین بایاس استفاده گردید. نتایج نشان داد سیستم استنتاج فازي بر پایه شبکه عصبی مصنوعی نسبت به روش شبکه عصبی عملکرد بهتري داشته است. همچنین خوشهبندي پارامترهاي ورودي با روش SUBCLAST بیشترین میزان کاهش خطا در پیشبینی رواناب را موجب شد.
-1 مقدمه
به منظور حفظ زندگی بشر و جلوگیري از خسارات سیل، پیشبینی جریان رودخانه به عنوان یک جز اصلی در مدیریت سیلاب مورد نیاز است. بر این پایه دستیابی به روشهاي مطمئن پیشبینی جریان رودخانهها به منظور برنامهریزي در بهره برداري به موقع از منابع آب از اهمیت روزافزونی برخوردار است.
درمنطقه هاي بدون سدهاي مخزنی ونیزدرمنطقه هایی که جریان رودخانه با تاسیسات ویژهاي کنترل میشود، مدلهاي پیشبینی جریان رودخانهها به عنوان ابزار مناسبی در برنامهریزي و مدیریت منابع آب موردبهرهگیري قرار میگیرند - قنبرپور و همکاران - . در نتیجه پیچیدگی و ابهام پدیدهها، هیچ روش ریاضی و تحلیلی جهت پیشبینی جریان رودخانه وجود ندارد. از سوي دیگر کمبود آب در ترکیب با تغییرات اقلیمی و گرمایش جهانی، برآورد دقیق از جریان رودخانه را ایجاب مینماید.
ترکیب شبکههاي عصبی مصنوعی - ANN - 1 و سیستمهاي فازي - FIS - 2 از لحاظ چارچوب محاسباتی امتیازاتی دارد
سیستم هاي استنتاج عصبی- فازي تطبیقی - ANFIS - اولین بار توسط جانگ در سال 1993 ارائه گردید Jang - ، . - 1993 روشهاي نوین هوش مصنوعی از جمله سیستمهاي عصبی-فازي میتواند جهت پیشبینی رواناب مورد استفاده قرار گیرد. این روشها، راهحلهاي سریع، کمهزینه و قابل اعتماد را ارائه میدهند. امتیاز دیگر این روشها، سر و کار داشتن با دادههاي غیرخطی و دینامیک و به ویژه زمانی که روابط فیزیکی، پیچیده و غیر قابل فهم میباشند .
Ponnambalam و همکاران ANFIS - 2003 - را براي به حداقل رساندن واریانس عملگرهاي سیستمهاي مخزنی مورد استفاده قرار دادند. Nayak و همکاران - 2004 - از روش مذکور در مدلسازي سريهاي زمانی هیدرولوژیک بهره گرفتند. - 2005 - Kisi توانایی سیستمهاي استنتاج عصبی- فازي و شبکههاي عصبی را براي مدلسازي رابطه بین جریان رودخانه و بار رسوب مورد بررسی قرار دادند. هدف از این مطالعه بررسی کارایی سیستم-هاي نورو -فازي - ANFIS - در پیشبینی جریان ماهانه رودخانه استور در جنوب شرق تبریز میباشد سپس این پیش-بینیها با دادههاي واقعی ثبت شده در طول سال مورد مقایسه قرار میگیرند.
-2 مواد و روشها
1-2منطقه مورد مطالعه و دادههاي مورد استفاده
جهت انجام این تحقیق از دادههاي ماهانه دبی و بارش مربوط به 5 ایستگاه هیدرومتري و یک ایستگاه سینوپتیک واقع در جنوب شرق آذربایجان شرقی استفاده گردید. موقعیت جغرافیایی منطقه مورد مطالعه در شکل 1 نشان داده شده است. ایستگاه ایستور در خروجی حوزه قرار گرفته است و 4 ایستگاه هیدرومتري کوهسالار، میانه شاریچاي، موتورخانه و پلدختر و ایستگاه سینوپتیک میانه در بالادست این ایستگاه قرار دارند و در تعیین دبی خروجی از آن مشارکت دارند. مشخصات ایستگاههاي مورد استفاده در جدول 1 نشان داده شده است. دادههاي به کار برده شده در این تحقیق شامل 19 سال اطلاعات ماهانه مربوط به دادههاي دبی 4 ایستگاه هیدرومتري و یک ایستگاه سینوپتیک میباشد.
شکل .1 موقعیت جغرافیایی ایستگاههاي هیدرومتري و سینوپتیک واقع در منطقه مورد مطالعه
-3 مدلسازي ANFIS
ANFIS اولین بار توسط - 1993 - Jang ارائه گردید. یک سیستم فازي است که با الگوریتمی که برگرفته از تئوري شبکههاي عصبی است آموزش داده میشود. ترکیب شبکههاي عصبی مصنوعی و سیستم منطق فازي تحت عنوان سیستم استنتاج فازي بر مبناي شبکه عصبی تطبیقی در چارچوب محاسباتی امتیازاتی دارد. قابلیت آموزش شبکههاي عصبی مصنوعی به طور موثر میتواند در ایجاد قوانین اگر-آنگاه فازي و بهینه سازي پارامترها نقش داشته باشد
1-3 شبکههاي عصبی مصنوعی
شبکههاي عصبی مصنوعی متفاوت از سیستمهاي معمولی از جمله مدلهاي آماري و یا تحلیلی میباشند. یک شبکه عصبی مصنوعی متشکل از تعداد دلخواه از عناصر بسیار ساده میباشد که گره نامیده میشود. هر گره یک عنصر بسیار ساده پردازشگر است که به ورودي هاي با وزنهاي مختلف که از گرههاي دیگر دریافت میکند، پاسخ میدهد Lee - و همکاران، . - 2004 تا کنون شبکههاي عصبی مختلف با الگوریتمهاي مختلف در مطالعات هیدرولوژي مورد استفاده قرار گرفته است. در این مطالعه شبکههاي پرسپترون چندلایه پیشخور با روش آموزش پسانتشارخطا3 مورد استفاده قرار گرفته است.
