توسعه مدل فازی- عصبی تطبیقی به‌منظور پیش‌بینی دبی بیشینه روزانه سیلاب با استفاده از بارش تراکمی پنج روزه

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی ارشد گروه آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه آزاد اسلامی، واحد علوم تحقیقات تهران، ایران

2 استاد گروه آبخیزداری، دانشکده کشاورزی و منابع طبیعی کرج، دانشگاه تهران، تهران، ایران

3 استادیار گروه آبیاری و آبادانی، دانشکده کشاورزی و منابع طبیعی کرج، دانشگاه تهران، تهران، ایران

4 دانشیار گروه آبخیزداری، دانشکده منابع طبیعی، دانشگاه صنعتی اصفهان، اصفهان، ایران

چکیده

در فرایند بارش رواناب، عوامل بسیاری دخالت دارند که با عدم قطعیت همراه هستند. یکی از فاکتورهای بسیار مهم در این فرایند، رطوبت اشباع پیشین خاک است. یکی از روش‌هایی که به این پارامتر توجه دارد، روش ارائه شده توسط سازمان حفاظت خاک آمریکا به نام شماره منحنی است. در این روش، مجموع بارش‌های پنج روز پیش از رخداد دبی اوج سیل، به‌عنوان نماینده شرایط رطوبتی پیشین خاک در نظر گرفته می‌شود. با توجه به این که پدیده‌های طبیعی به‌دلیل دخالت تعداد زیادی از عوامل و پارامترها با عدم قطعیت همراه هستند، یکی از ابزارهای کارآمد در بررسی رفتار این پدیده‌ها، مدل‌های هوشمند فازی- عصبی تطبیقی هستند. از این رو در این پژوهش به بررسی اثر مجموع بارش‌های پنج روزه در پیش‌بینی دبی بیشینه روزانه سیلاب با استفاده از مدل‌های انفیس پرداخته شد. مدل مذکور با دو الگوریتم آموزشی پس انتشار و هیبرید آموزش دیده شد و سپس با استفاده از آزمون‌های آماری مختلف مورد بررسی قرار گرفت. نتایج، کارآمدی مدل انفیس به‌دست آمده را در بررسی ورودی بارش پنج روزه و خروجی دبی اوج سیل نشان داد. همچنین نتایج حاصل از روش هیبرید، عملکرد بهتری را نشان دادند. بهترین ضریب همبستگی برای مدل 5 روزه و به میزان 985/0 و ریشه میانگین مربعات خطا 162/0 در روش هیبرید بود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Developing an Adaptive Neuro-fuzzy Model to Predict the Maximum Daily Discharge Using 5-day Cumulative Rainfall

نویسندگان [English]

  • elham firouznia 1
  • Mohammad Mahdavi 2
  • Shahab Araghinejad 3
  • Saeed Soltani 4
چکیده [English]

Rainfall is one of the factors involved in increasing soil moisture. Soil moisture, in turn, is a key parameter in the rise and fall of water in the soil which plays an important role in the rainfall-runoff process. It, therefore, requires to be carefully investigated in order to determine its effect on peak flood discharge. One method commonly used for this purpose is the CN-NRCS (curve-number method). Based on this approach, the sum of rainfalls during the 5 days preceding the flood event is taken to represent the soil moisture conditions prior to the event. Given the fact that natural phenomena are always associated with different degrees of uncertainty due to the involvement a multitude of factors, an efficient method for investigating their behavior is the Adaptive Neuro-Fuzzy Intelligent System (ANFIS). Here, we used ANFIS for determining the effect of rainfalls over the five days prior to the flood event in order to predict the maximum daily flood discharge. The model employed the two training algorithms of Back Propagation and Hybrid, which were then tested using different statistical tests and the results were analyzed for each model. The results indicate that the hybrid method outperformed the back propagation method. The best correlation coefficient of the 5-day model was 0.985 and the RMSE (Root Mean Squared Error) was 0.162 in the hybrid method.

کلیدواژه‌ها [English]

  • ANFIS
  • Bach Propagation
  • Hybrid
  • curve number
  • runoff
  • Maximum Daily Discharge
1- Mahdavi, M. (2006). Appleid hydrology, 4th Ed., Vol., Tehran University, Tehran. (In Persian)

2- Mahdavi, M. (2006). Appleid hydrology, 4 th Ed., Vol 1., Tehran University, Tehran. (In Persian)

3-Rezaei, A., Mahdavi, M., Louks, K., and Mahdavian, M.H. (2008). “Modeling regional peak discharge of Sefidrud sub watersheds using artificial neural networks.” J. Sciences and Techniques of Agriculture and Natural Resources, 11(1-A),1-15.

4- Ebrahimi, R., Zahraei, B., and Naseri, M. (2012). “Mid-term prediction of meteorological drought using fuzzy inference systems.” J. of Water and Wastewater, 78,112-125. (In Persian)

5. Silveria, L., Charbonnier, F., and Genta, J.L. (2000). “The antecedent soil moisture condition of the curve number procedure.” J. Hydrological Sciences, 45(1),1-10.

6. Cheng, Ch., and Chau, K. W.  (2004). “Flood control management system for reservoirs.” J. Environmental Modelling and Software, 19(12),1141-1150.

7. Corani, G., and Guariso,G. (2005). “Coupling fuzzy modelling and neural networks for river flood prediction.” <http://www.elet.polimi.it/upload/corani/neuro-fuzz,1-24.> (May 2012)

8. Barreto, N., Aurélio, A., Souza, F., and Carlos, R. (2007). “Application of fuzzy logic to the evaluation of runoff in a tropical watershed.” J. Environmental Modeling and Software, 23(2), 244-253.

9. Talei, A., and Chua, L. H.C. (2012). “Influence of lag time on event-based rainfall–runoff modeling using the data driven approach.” J. Hydrology, 438-439, 223-233.

10. Office of Research and Technical Services .(2003). Amirkabir dam watershed management plan, Ministry of Agriculture, 1-80.

11. Green Watershed Company.(2003). Combining the Sierra watershed report, Ministry of Agriculture,7-10.

12. Sahu, R.K., Mishra, S.K., and Eldho, T.I.(2013). “Mproved storm duration and antecedent moisture condition coupled SCS-CN concept-based model.” J. Hydrol. Eng., 17(11),1173-1179.

13. Geetha, K., Mishra, S., Eldho, T., Rastogi, A., and Pandey, R. (2007). “Modifications to SCS-CN method for long-term hydrologic simulation.” J. Irrig. Drain Eng., 133(5), 475-486.

14. El-Hames, A.S.(2012). “An empirical method for peak discharge prediction in ungauged arid and semi-arid region catchments based on morphological parameters and SCS curve number.” J. of Hydrology, 456-457,
94-100.

15. Caviedes-Voullième, D., García-Navarro, P., and Javier, M. (2012). “Influence of mesh structure on 2D full shallow water equations and SCS Curve Number simulation of rainfall/runoff events.” J. of Hydrology,
448-449, 39-59.

16. Sabahattin, I., Kalin, L. J., Schoonover, J.E., Srivastava, P., and Lockaby,G. (2012). “Modeling effects of changing land use/cover on daily streamflow: An artificial neural network and curve number based hybrid approach.” J. of Hydrology, (In Press).

17. Khuzestan Water and Power Agency.(2007). “Prediction of reservoir water level entrance dose rate using fuzzy systems and neural networks.” Khuzestan Water and Power Agency, 86, 64-65, (In Persian)

18. Kia, M. (2010). Fuzzy logic in matlab, Green Kian Computer , 202, 1-181.

19. Akbarzadeh, A., Nouri, R., Farrokhnia, A., Khakpour, A., and Sabahi, M.S. (2011). “Accuracy and uncertainty analysis of intelligent techniques for predicting the longitudinal dispersion coefficient in rivers.” J. of Water and Wastewater, 75, 99-107. (In Persian)

20. Bezdek, J. (1981). Pattern recognition with fuzzy objective function algorithms, Plenum Press, New York.

21. Karamouz, M., and Zahraie, B.  (2004) “Seasonal streamflow forecasting using snow budget and ENSO climate signals: Application to salt river basin in Arizona.” J. of Hydrologic Engineering, 9(6), 1312-1325.

22. Natural Resources Conservation Service. (2007). Hydrologic soil groups, National Engineering Handbook, NRCS,1-14.

23. Nourani,V., and Salehi, K. (2008). “Modeling of rainfall - runoff using adaptive fuzzy neural network and comparison with neural network and fuzzy logic.” 4th Proceeding, Civil Eng. Conference, Tehran University, Tehran, 1-8. (In Persian)