پیش‌بینی سیل با استفاده از شبکه عصبی مصنوعی و رگرسیون چندمتغیره غیرخطی (مطالعه موردی: طالقان)

نویسندگان

1 کارشناسی¬ارشد آبخیزداری، دانشکده منابع طبیعی، دانشگاه تهران، ایران

2 دانشیار دانشکده منابع طبیعی، دانشگاه تهران، ایران

3 استاد دانشکده علوم فنون دریایی، دانشگاه آزاد اسلامی، واحد تهران شمال‏، ایران

4 استاد دانشکده منابع طبیعی، دانشگاه تهران، ایران

چکیده

با توجه به کمبود ایستگاه‌های اندازه‌گیری در کشور، لزوم استفاده از مدل‌های تجربی برآورد دبی‌ حداکثر لحظه‌ای بسیار ضروری است. در این پژوهش از دو مدل شبکه عصبی و رگرسیون چندمتغیره غیرخطی برای پیش‌بینی دبی اوج در حوزة آبخیز طالقان استفاده گردید. با استفاده از آمار دبی‌های متوسط حداکثر روزانه و بارش‌های متناظر، یک روز قبل و پنج روز قبل و مجموع بارندگی پنج روزه و همچنین دمای میانگین ماهانه در واحدهای هیدرولوژیک گته‌ده، مهران، علیزان، جوستان و گلینک (به ترتیب از قسمت سراب به سمت پایاب) استخراج و به عنوان ورودی وارد مدل شبکه عصبی شدند. نوع شبکه مورد استفاده شبکه عصبی پیشخور با یک لایه مخفی با الگوریتم پس‌انتشار بود که با استفاده از داده‌ها مذکور، مدل طی سه مرحله آموزش، اعتبارسنجی و آزمون شد. دبی‌های اوج مشاهده‌ای و پیش‌بینی شده در هر دو مدل بر اساس معیار ارزیابی RMSE و r مورد مقایسه قرار گرفت. نتایج نشان دهندة عملکرد بهتر شبکه عصبی نسبت به رگرسیون چندمتغیره غیرخطی است.

کلیدواژه‌ها


عنوان مقاله [English]

Flood Forecasting Using Artificial Neural Networks and Nonlinear Multivariate Regression (Case Study: Taleghan Watershed)

نویسندگان [English]

  • Maryam Khosravi 1
  • Ali Salajegheh 2
  • Mohammad Mahdavi 3
  • Mohsen Mohseni Saravi 4
چکیده [English]

It is necessary to use empirical models for estimating of instantaneous peak discharge because of deficit of gauging stations in the country. Hence, at present study, two models including Artificial Neural Networks and nonlinear multivariate regression were used to predict peak discharge in Taleghan watershed. Maximum daily mean discharge and corresponding daily rainfall, one day antecedent and five days antecedent rainfall, sum of five days antecedent rainfall and monthly mean temperature were extracted in Gatehdeh, Mehran, Alizan, Joestan and Gelinak hydrological units and entered into neural network model (from upstream to downstream, respectively). The feed forward network was used with one hidden layer and back-propagation algorithm. Then, the models were trained, validated and tested in three stages. The observed and estimated peak discharges of the models were compared based on RMSE and r. The results showed that neural network has better performance than nonlinear multivariate regression.

کلیدواژه‌ها [English]

  • model
  • Neural Network
  • Nonlinear multivariate regression
  • Peak Discharge
  • RMSE
  • Taleghan