پیش‌بینی تراز آب دریای خرز مبتنی بر سیستم تقریبگر فازی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکترا، دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد ساری

2 استادیار، دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد مشهد

3 استادیار ورئیس گروه پایش‌های محیطی دریا، مرکز ملی مطالعات و تحقیقات دریای خزر، ساری

چکیده

تراز آب دریای خزر به‌عنوان بزرگ‌ترین پهنه آبی بسته دنیا دائماً در حال نوسان است. اهمیت پیش‌بینی تراز آب دریای خزر با توجه به نوسانات چند متری دهه‌های اخیر و همچنین جلوگیری از زیان‌های آینده امری ضروری محسوب می‌گردد. عامل تنظیم کننده تراز این پهنه آبی یک‌سری عوامل هیدروکلیمایی مانند ورودی‌ها شامل رودخانه‌ها، بارش و آبهای زیرزمینی و خروجی‌ها شامل تبخیر و خروج به خلیج قره بغاز است. از تکنیک‌های آماری می‌توان به‌منظور مدل‌سازی فرایندها استفاده کرد. همچنین از تکنیک‌های فازی برای شناسایی سیستم و پیش‌بینی سری‌های زمانی استفاده می‌شود. در این مقاله با استفاده از ترکیب تکنیک‌های آماری و سیستم‌های فازی، یک روش پیش‌بینی از تغییرات تراز این پهنه آبی پیشنهاد شد. نتایج آزمایش‌های پیش‌بینی بر روی داده‌های گذشته اعمال گردید و مزایای روش پیشنهادی بر حسب دقت نشان داده شد و در نهایت یک پیش‌بینی 10 ساله از تراز آب دریای خزر ارائه گردید.

کلیدواژه‌ها


عنوان مقاله [English]

Caspian Sea Level Predication Based on Fuzzy Regressor System

نویسندگان [English]

  • Farhad Ramezani Mouzirji 1
  • Mehdi Yaghoobi 2
  • Abdolazim Ghanghermeh 3
1 Ph.D. Student, Dept. of Cumputer Eng., Sari Branch, Islamic Azad University, Sari
2 Assist. Prof., Dept. of Camputer Eng., Mashhad Branch, Islamic Azad University, Mashad
3 Assist. Prof. and Manger of Enironmental Sea Protection Group, Caspian Sea National Research Center, Sari
چکیده [English]

The level of the Caspian Sea as the world's largest limited river basin is constantly fluctuating. The Importance of forecasting the Caspian Sea water level, in order to few meters fluctuation in recent decades and preventing future loss is considered to be essential. The agentes of water level regulator in Caspian sea are hydro climatology factors such as input series including rivers, rainfall and underground water and output including evaporation and discharge to Ghareboghaz gulf. Statistical techniques were used for modeling processes. Fuzzy techniques were also used for identification of the system and the time series prediction. In this article, a prediction of level fluctuating of this water area was suggested using combination of statistical combining statistical techniques and Fuzzy Systems. The Results of prediction experiments is exerted on the past data and advantage of the proposed method was shown according to the accuracy. Finally a 10-year forecast of the Caspian Sea level was presented.

کلیدواژه‌ها [English]

  • Predicting
  • Caspian Sea
  • Regression
  • Fuzzy System
  • modelling
Aladin, N., and Plotnikov, I. (2004) The Caspian sea, Lake Basin Management Initiative The Caspian sea, Lake Basin Management Initiative, Russia.
Ghangherme, A. (2004) The oscillatory behavior of the water level in the Caspian sea water balance Workshop on Caspian Sea Issues, Particulary the Management Governors and Mayors of the Coastal Province of Gilan, Rasht.
Ghangherme, A., and Ramesht, M. H. (2005) Can the fluctuations of the Caspian sea be controlled? Isfahan Univerisity, Isfahan
Malinin, V. M. (2004) The problem of the Caspian sea level forescast Caspian Sea Natioanl Research Center, Sari
Klige, R. K. (1992) The history of variations in the level of the caspian sea Caspian Sea National Research Center, Sari
Bolgov, M. V., Trubetskova, M. D., and Filimonova, M. K. (2004) On the problem of the Caspian sea level forecasting Water Problems Institute, Russian Academy of Sciences, Russia
Bolgov, M.V. (2005) Stochastic models in a problem of the Caspian sea level forecasting ISSH International Symposium on Stochastic Hydraulics, Nijmegen, Netherlands , 23-27
Ghangherme, A. (1997) Continental changing and behavior of Caspian sea level Armed Forces Geographical Organization, Tehran
Montgomeri, D. C., and Peck, E. A. (2003) Introduction to linear regression analysis 2nd Ed., Translated by Razavi Parizi, Shahid Bahonar University, Kerman.
Box, G.P., and Jenkins, G.M. (1976) Time series analysis: Forecasting and control Holden-day Inc., San Francisco, CA.
Tseng, F., Tzeng, G., Yu, H., and Yuan, B. (2001) Fuzzy ARIMA model for forecasting the foreign exchange market Fuzzy Sets and Systems 118, 9-19
Jones, A. J. (2004) New tools in non-linear modelling and prediction Computational Management Science 1, 109-149
Tanaka, H., Uejima, H., and Asai, K. (1982) Linear regression analysis with fuzzy model IEEE Trans. Systems Man Cabernet 12, 903-907
Pouzols, M., Lendasse, A., and Barriga, A. (2008) Fuzzy inference based autoregressors for time series prediction using nonparametric residual variance estimation International Conference on Fuzzy Systems (IEEE), Sofia, Bulgaria , 613-618
Ramezai Mozirji, F., and Yaghoobi, M. (2009) New method in time series predication based on fuzzy autoregressors 3rd Joint Congress on Fuzzy and Intelligent System, Yazd
Bargiela, A., Pedrycz, W., and Nakashima, T. (2007) Multiple regression with fuzzy data. Fuzzy Sets and Systems 158, 2169-2188
Wang, L., and Mendel, J. M. (1992) Generating fuzzy rules by learning from examples IEEE Transactions on Systems, Man, and Cybernetics 22 (4), 1414-1427
CSNR. (2009) Water and meterological databases http://www.csnrc.ir