بخشی از مقاله
چکیده
یکی از مسائلی که توجه بیشتر محقیقن محیط زیست را به خود جلب کرده، مسئله افت سطح آب دریاچه ارومیه است که از لحاظ زیست محیطی این دریاچه را با خطر جدی مواجه ساخته است. یکی از راههای جلوگیری از این فاجعه، پیشبینی جریان ورودی به این دریاچه و اتخاذ تصمیمات مدیریتی صحیح با توجه به نتایج آن میباشد. در این تحقیق جهت پیشبینی جریان رودخانه لیقوان، از دادههای دبی حوضه لیقوانچای - از زیرحوضههای دریاچه ارومیه - استفاده شده است.
برای این منظور از دو روش سیستم استنتاج فازی - FIS - و سیستم استنتاج فازی - عصبی تطبیقی - ANFIS - استفاده شده است. سپس با مقایسه نتایج این دو مدل با استفاده از معیارهای مختلف آماری از جمله معیار ناش- ساتکلیف، مشاهده شد که روش ANFIS نتایج دقیقتری - CNS=0/989 - را نسبت به روش - CNS=0/942 - FIS ارائه داده است و این روش دبیهای پیک را به خوبی شبیهسازی میکند.
مقدمه
یکی از مسائلی که توجه بیشتر محقیقن محیط زیست را به خود جلب کرده، مسئله افت سطح آب دریاچه ارومیه است که از لحاظ زیست محیطی این دریاچه را با خطر جدی مواجه ساخته است. یکی از راههای جلوگیری از این فاجعه، پیشبینی جریان ورودی به این دریاچه و اتخاذ تصمیمات مدیریتی صحیح با توجه به نتایج آن میباشد. یکی از مهمترین مسائل در مهندسی منابع آب، پیش-بینی میزان آورد رودخانه میباشد که از لحاظ مدیریتی حائز اهمیت است.
پیشبینی در هیدرولوژی به معنی تخمین شرایط هیدرولوژیکی و هواشناسی در یک بازه زمانی خاص میباشد. تفاوت پیشبینی با پیشگویی در این است که پیشگویی، پیشبینی شرایط آینده است بدون اینکه به شرایط خاصی مربوط باشد . به عنوان مثال تخمین ورودی به مخزن سد در سه ماه آینده را پیش-بینی و تخمین یک سیلاب 100 ساله در رودخانه و احتمال وقوع آن در یک سال آبی را پیشگویی مینامند. هنگامی که افق زمانی پیشبینی افزایش داده میشود، عدم قطعیتها در پیشبینی افزایش پیدا میکند تا جایی که مقادیر پیشبینی و پیشگویی به یکدیگر نزدیک میشوند
نورانی و صالحی - 1387 - در تحقیق خود، مدل بارش- رواناب حوضه لیقوانچای واقع در استان آذربایجان شرقی را با استفاده از سه روش شبکه عصبی، استنتاج فازی و شبکهی عصبی- فازی تطبیقی ارائه نمودند و بهترین مدل برای این حوضه که توسط مدل-سازی با روش شبکه عصبی- فازی تطبیقی می باشد را ارائه نمودند. نتیجه اینکه شبکه عصبی با مدلسازی غیرخطی و همچنین منطق فازی با ارائه توابع عضویت، هرکدام به تنهایی تا حدودی قادر به بیان مدل یک حوضه هیدرولوژیکی نمیباشد، ولی در صورت تلفیق این دو روش می توان گفت که نتیجه مطلوب جهت مدلسازی می تواند حاصل شود.
معتمد وزیری و همکاران - 1388 - به بررسی امکان مدلسازی بار معلق رودخانه با استفاده از منطق فازی در حوضه آبریز زنجانرود پرداختند. ایشان ضمن برآورد رسوب معلق ایستگاه سرچم با دو روش معمول هیدرولوژیکی USBR و FAO، با بهرهگیری از مدل طراحی شده در محیط ویژوال بیسیک1 بر پایه اصول منطق فازی نیز میزان رسوب معلق ایستگاه یاد شده را برآورد کردند. نتایج بیانگر این واقعیت است که روش فازی، به علت شناخت دقیقتر الگوی انتقال رسوب به ویژه در شرایط سیلابی، نسبت به روشهای یاد شده نتایج دقیقتری را ارائه نمود و به دلیل وارد نمودن عامل زمان در محاسبات، امکان بررسی تغییرات زمانی میزان رسوبات حمل شده توسط جریان با مدل فازی امکانپذیر میباشد.
دهقانی و نبیزاده - 1389 الف - با استفاده از سیستم استنتاج فازی - عصبی تطبیقی به پیشبینی جریان رودخانه لیقوان پرداخته پرداختند. ایشان از دادههای دبی این رودخانه به صورت روزانه با طول دوره 6 سال - از سال آبی 76 تا - 81 استفاده کردند . نتایج این تحقیق نشان دهنده دقت بالای سیستم استنتاج فازی - عصبی تطبیقی در پیشبینی جریان رودخانه لیقوان بود. در انتها با انتخاب مدل بهینه، تاثیر کدگذاری روی دادههای ورودی بر نتایج شبیهسازی دبی مورد بررسی قرار گرفت و مشخص شد که کدگذاری، تأثیر محسوسی روی نتایج ندارد.
نبیزاده و همکاران 1389 - ب - با استفاده ار سیستم استنتاج فازی و مدل فازی- عصبی به پیشبینی دبی روزانه رودخانه لیقوان-چای پرداختند. ایشان ابتدا با بررسی کرولوگرام دادهها و مقادیر خودهمبستگی دبی در تاخیرهای مختلف مدلهای ورودی را طراحی و سپس با سیستم استنتاج فازی و مدل فازی- عصبی به پیشبینی دبی روزانه پرداختند. نتایج نشان داد که پیشبینی مدل فازی- عصبی به دادههای مشاهداتی نزدیکتر می باشد.
باکانلی2 و همکاران - 2008 - از مدل ANFIS برای پیشبینی خشکسالی در کشور ترکیه استفاده نمودند. مقایسات بعمل آمده نشانگر برتری مدلهایی بود که در آنها از ترکیب مقادیر پیشین بارندگی و شاخص SPI استفاده شده بود. همچنین از میان مقیاسهای زمانی مختلف SPI، مقیاس 12 ماهه در تمام ایستگاههای مورد بررسی نتایج مناسبتری را نشان داد. به منظور ارزیابی بهتر نتایج مدلهای ANFIS، همان دادهها با روشهای شبکه عصبی FFNN1 و مدل رگرسیون خطی چندگانه2 نیز مورد آزمون قرار گرفتند که نتایج بدست آمده در تمام ایستگاهها حاکی از ارجحیت مدل ANFIS نسبت به دو مدل دیگر بود.
ذونعمت کرمانی و تشنهلب - 2008 - ، از مدل ANFIS به منظور پیشبینی سریهای زمانی هیدرولوژیکی استفاده نمودند. برای این منظور رفتار روزانه جریان سه رودخانه واقع در ایالات متحده امریکا مورد بررسی قرار گرفت. نتایج نشان داد که اگرچه نمیتوان از یک ساختار ثابت و یکتا به عنوان بهترین ساختار برای شبکهی فازی- عصبی استفاده نمود، اما در حالتی که پراکندگی دادهها زیاد باشد افزایش توابع عضویت در ANFIS نتایج مناسبتری را نسبت به افزایش تعداد ورودیها نشان میدهد. علاوه بر آن نتایج بدست آمده از مدل ANFIS، با یک مدل خود همبستگی نیز مورد مقایسه قرار گرفت که نشانگر برتری مدل ANFIS در پیشبینی بود.
شو3 و اوردا - 2008 - 4 برای آنالیز منطقهای سیلاب در حوضههای آبخیز بدون ایستگاه از مدل عصبی- فازی استفاده کردند. این تکنیک در 151 حوضه آبخیز در استان کبک کانادا اجرا شد و نتایج حاصل از آن با مدل شبکه عصبی مصنوعی و رگرسیون غیرخطی مقایسه شد. نتایج حاصل از این آنالیز نشان داد که مدل عصبی- فازی قابلیت بهتری در برآورد سیل در حوضههای فاقد ایستگاه هیدرومتری نسبت به دو مدل دیگر دارد.
مواد و روشها
سیستم استنتاج فازی- عصبی تطبیقی - ANFIS -
ANFIS قابلیت خوبی در آموزش، ساخت و طبقهبندی دارد و همچنین دارای این مزیت است که اجازه استخراج قوانین فازی را از اطلاعات عددی یا دانش متخصص میدهد و به طور تطبیقی یک قاعده- بنیاد میسازد. علاوه بر این، میتواند تبدیل پیچیده هوش بشری به سیستمهای فازی را تنظیم کند. مشکل اصلی مدل پیشبینی ANFIS، احتیاج نسبتاٌ زیاد به زمان برای آموزش ساختار و تعیین پارامترها میباشد. به منظور سادهسازی، فرض میشود که سیستم استنتاجی مورد نظر دو ورودی x و y و یک خروجی z دارد. برای یک مدل فازی تاکاگی- سوگنو درجه اول، میتوان یک مجموعه قانون نمونه را با دو قانون اگر- آنگاه فازی به صورت زیر بیان کرد:
قانون اول: اگر x برابر A1 و y برابر B1 باشد آنگاه z1 p1 x q1 y r1
قانون دوم: : اگر x برابر A2 و y برابر B2 باشد آنگاه z2 p2 x q2 y r2
