ارزیابی دقت مدل‌های داده محور تصادفی و قطعی در مدل‌سازی و پیش‌بینی مقادیر دبی رودخانه (مطالعه موردی: رودخانه‌های غرب و جنوب غرب دریاچه ارومیه)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکترای مهندسی منابع آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران.

2 استاد گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران.

3 دانشیار گروه مهندسی آب، دانشکده کشاورزی و پژوهشکده مطالعات دریاچه ارومیه، دانشگاه ارومیه، ارومیه، ایران.

4 دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران.

10.22034/hydro.2025.64748.1324

چکیده

شبیه‌سازی و پیش‌بینی جریان رودخانه جهت آگاهی از آورد رودخانه در دوره زمانی مختلف، ازجمله مسائل مهم و کاربردی در مدیریت منابع آب می‌باشد. لذا در پژوهش حاضر به ارزیابی و تعیین مدل مناسب پیش‌بینی جریان در 7 ایستگاه آب‏سنجی بر روی رودخانه‌های غرب و جنوب غرب دریاچه ارومیه پرداخته‌شده است. مدل‌های مورداستفاده جهت دست‌یابی به هدف مطروحه شامل الگوهای مختلف مدل استوکاستیک ARIMA و مدل‌های مبتنی بر هوش مصنوعی شامل ELM، ANN و  SVMبود. نتایج حاصل از به‌کارگیری مدل‌های ذکرشده نشان داد که الگوهای برازش ARIMA(1,0,0) و ARIMA(2,0,1) دارای عملکرد بهتر در مدل‌سازی جریان در رودخانه ‏های موردمطالعه بوده، به‌طوری‌که میانگین ضریب نش-ساتکلیف دو مدل ARIMA(1,0,0) و ARIMA(2,0,1) به ترتیب برابر 67/0 و 68/0 حاصل شد. درحالی‏که میانگین این ضریب برای مدل‌های داده محور ANN، SVM و ELM برای رودخانه‏های منطقه به‌ترتیب برابر 38/0، 47/0 و 21/0 برآورد گردید. ضمناً آماره ضریب همبستگی پیرسون نیز برای مدل‏های استوکاستیک (83/0) به‌طور معنی‌داری بالاتر از مدل‏های برتر داده‌محور حاصل (61/0) شد. بنابراین استفاده از مدل‏های استوکاستیک نسبت به مدل‏های هوش مصنوعی جهت مدل‏سازی و به‌کارگیری آن‏ها در پیش‏بینی جریان رودخانه‏ای برای آینده در منطقه مطالعاتی دارای اولویت بالاتری است. 

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Assessing the Accuracy of Stochastic and Deterministic Data-Driven Models in Modeling and Predicting River Flow (Case Study: Western and Southwestern Rivers of Lake Urmia)

نویسندگان [English]

  • Fّatemeh Rohaninia 1
  • majid montaseri 2
  • Behzad Hessari 3
  • Jalal Shiri 4
1 Phd Candidate of Water Engineering Department, Urmia University, Urmia, IRAN.
2 Professor of Water Engineering Department, Urmia University, Urmia, IRAN.
3 Associate professor of Water Engineering Department, Urmia Lake Research Institute, Urmia University, Urmia, IRAN.
4 Associate professor of Water Engineering Department, Tabriz University, Urmia, IRAN.
چکیده [English]

Simulating and forecasting river flow is crucial for understanding water inflow over different time periods, playing a significant role in water resource management. Therefore, this study evaluates and identifies the most suitable forecasting model for streamflow at seven hydrometric stations located on rivers in the west and southwest of Lake Urmia. The models employed include various stochastic ARIMA patterns as well as artificial intelligence (AI)-based models, including Extreme Learning Machine (ELM), Artificial Neural Networks (ANN), and Support Vector Machine (SVM). The results indicate that ARIMA (1,0,0) and ARIMA (2,0,1) models demonstrated superior performance in modeling streamflow in the studied rivers, with average Nash-Sutcliffe Efficiency (NSE) values of 0.67 and 0.68, respectively. In contrast, the average NSE values for the ANN, SVM, and ELM models were 0.38, 0.47, and 0.21, respectively. Additionally, the Pearson correlation coefficient for the stochastic models (0.83) was significantly higher than that of the best-performing data-driven models (0.61). Thus, stochastic models outperform artificial intelligence models in streamflow modeling and future river flow prediction within the study area, making them the preferred choice for hydrological applications.

کلیدواژه‌ها [English]

  • Artificial Intelligence Models
  • Prediction
  • Stochastic Models
  • Time Series
  • Urmia Lake Basin

مراجع

احمدپور، ع.، میرهاشمی، س ح.، حقیقت‌جو، پ.، 1399. ارزیابی مدل‌های کلاسیک و مدل مفهومی IHACRES و مدل هیبریدی ARMA-ANN در شبیه‌سازی جریان روزانه بارون، فصلنامه تحقیقات آب‌وخاک ایران، 51(3): 727-736
حجابی، س.، بذرافشان، ج.، قهرمان، ن.، 1392. مقایسه مهارت مدل‌های استوکاستیک و شبکه‌های عصبی مصنوعی در مدل‎سازی و پیش‎بینی مقادیر و طبقات شاخص بارندگی استانداردشده، فصلنامه پژوهش‌های جغرافیای طبیعی، 45(2)، 1-22.
دلناز، ع.، رخشنده رو، غ.، نیکو، م ر.، 1396. کاربرد مدل GRNN در قیاس با مدل‌های ANN و RBF در تخمین پارامترهای آبخوان محبوس، فصلنامه ژئوهیدرولوژی، 2(1): 102-117.
سراوانی، ز.، محمدرضاپور، ا.، سیاسر، ه.، 1402. پیش‌بینی پارامترهای کیفی آب‌های زیرزمینی استان گلستان با مدل‌های هوش مصنوعی، فصلنامه ژئوهیدرولوژی، 8(2): 15-28.
صالح‌آبادی، آ.، عمادی، س.ر.، 1402. توسعه شبکه‌های عصبی در پیش‌بینی جزر و مد دریای خزر بر اساس الگوریتم لونبرگ مارکوارت، مجله هیدروژئولوژی، 8(1)، 61-77.
غضنفری مقدم، م ص.، فرهمندراد، م.، بارانی، غ.، پوررضابیلندی، م.، 1397. واسنجی چند هدفه مدل هیدرولوژیکی مفهومی مبتنی بر هیدروگراف واحد لحظه ای ژئومورفلوژیکی (مطالعه موردی: زیر حوضه قره سو)، فصلنامه پژوهش‌های حفاظت آب‌وخاک، دوره 25، شماره 3، صص 161-175.
مجددی‌ریزه‌ئی، ح.، حبیب‌نژادروشن، م.، شاهدی، ک.، پردهان، ب.، 1399. کارایی مدل ترکیبی نسبت فراوانی-ماشین بردار پشتیبان در شناسایی مناطق مستعد سیل آبخیز کلات. اکو هیدرولوژی، 7(1)، 77-95.
نوشیار، م.، قاسمی مرزبالی، ع.، 1398. پیش‌بینی روزانۀ قیمت برق با روش مبتنی بر ماشین یادگیری شدید، سیستم پیش‌پردازش‌کنندۀ و الگوریتم بهبودیافتۀ کلونی جستجوی ویروس، مجله هوش محاسباتی در مهندسی برق، 10(2)، 67-101
Abrahart, R., Kneale, P.E., See, L.M., 2004. Neural networks for hydrological modeling. CRC Press.
Adnan, R.M., Liang, Z., Heddam, S., Zounemat-Kermani, M., Kisi, O., Li, B., 2019. Least square support vector machine and multivariate adaptive regression splines for streamflow prediction in mountainous basin using hydro-meteorological data as inputs. Journal of Hydrology, 124371.
Alvisi, S., Franchini, M., 2011. Fuzzy neural networks for water level and discharge forecasting with uncertainty. Environmental Modelling & Software, 26: 523–37.
Anandan, P., Sabeenian, R.S., 2018. Fabric defect detection using discrete curvelet transform. Procedia computer science, 133: 1056-1065.
Chu, H., Wei, J., Wu, W., Jiang, Y., Chu, Q., Meng, X., 2021. A classification-based deep belief networks model framework for daily streamflow forecasting. Journal of Hydrology, 595: 125967.
Farfán, J.F., Andino, P., Ortiz-Rodríguez, D., Vivanco-Gutiérrez, G., 2020. A hybrid neural network-based technique to improve the flow forecasting of physical and data-driven models: Methodology and case studies in Andean watersheds. Journal of Hydrology: Regional Studies, 27, 100652.
Fathabadi, A., Gholami, H., Salajeghe, A., Azaivand, H., Khosravi, H., 2009. Drought forecasting using neural network and stochastic models. American Eurasian Network for Scientific Information, 3(2): 137-146.
Feng, B.F., Xu, Y.S., Zhang, T., Zhang, X., 2022. Hydrological time series prediction by extreme learning machine and sparrow search algorithm. Water Supply, 22(3): 3143-3157.
Feng, D., Fang, K. and Shen, C., 2020. Enhancing streamflow forecast and extracting insights using long‐short term memory networks with data integration at continental scales. Water Resources Research, 56(9), p.e2019WR026793.
Hamel, L.H., 2011. Knowledge discovery with support vector machines, John Wiley & sons Publication, (3), 257.
Kottegoda, N.T., 1980. Stochastic water resources technology. Springer: 384.
Liong, S.Y., Khu, S.T., Babovic, V., Havnoe, K., Chan, W.T. and Phoon, K.K., 2000. Construction of non-linear models in water resources with evolutionary computation.
Ni, L., Wang, D., Singh, V.P., Wu, J., Wang, Y., Tao, Y. and Zhang, J., 2020. Streamflow and rainfall forecasting by two long short-term memory-based models. Journal of Hydrology, 583: 124296.
Niu, W.J., Feng, Z.K., 2021. Evaluating the performances of several artificial intelligence methods in forecasting daily streamflow time series for sustainable water resources management. Sustainable Cities and Society, 64: 102562.
Nirumand H.A., Bozorgnia A.Gh,. 2010.  Introduction to time series analysis. Ferdousi University Publications, Mashhad.
Noori, N., Kalin, L., 2016. Coupling swat and ann models for enhanced daily streamflow prediction. Journal of Hydrology, 533: 141–151.
Papacharalampous, G., Tyralis, H., Koutsoyiannis, D., 2019. Comparison of stochastic and machine learning methods for multi-step ahead forecasting of hydrological processes. Stochastic environmental research and risk assessment, 33(2): 481-514.
Shahin, M., Chen, F.F., Maghanaki, M., Firouzranjbar, S., Hosseinzadeh, A., 2024. Evaluating the fidelity of statistical forecasting and predictive intelligence by utilizing a stochastic dataset. The International Journal of Advanced Manufacturing Technology, 1-31.
Salas J.D, Delleur W, Yevjevich V, Lane W.L.,1988. Applied modeling of hydrologic time series. Water Resources Publications, Littleton. 458.
Stelling, G.S., 2000. A numerical method for inundation simulations. In Proc. 4th International Conference on Hydro-Science and Engineering, Seoul, Korea. 1: 872-892.
Tayyab, M., Zhou, J., Dong, X., Ahmad, I., Sun, N., 2019. Rainfall-runof modeling at Jinsha River basin by integrated neural network with discrete wavelet transform. Meteorology Atmospheric Physics, 131(1): 115–125.
Wagena, M.B., Goering, D., Collick, A.S., Bock, E., Fuka, D.R., Buda, A., Easton, Z.M., 2020. Comparison of short-term streamflow forecasting using stochastic time series, neural networks, process-based, and Bayesian models. Environmental Modelling & Software, 126: 104669.
Wagener, T., Van Werkhoven, K., Reed, P., Tang, Y., 2009. Multiobjective sensitivity analysis to understand the information content in streamflow observations for distributed watershed modeling. Water resources research, 45(2): 1-5
Xiao, Z., Liang, Z., Li, B., Hou, B., Hu, Y., Wang, J., 2019. New flood early warning and forecasting method based on similarity theory. Journal of Hydrologic Engineering, 24: 04019023.
Zeynoddin, M., Bonakdari, H., Ebtehaj, I., Azari, A., Gharabaghi, B., 2020. A generalized linear stochastic model for lake level prediction. Science of The Total Environment, 723: 138015.
هیدروژئولوژی
دوره 9، شماره 2
ناشر
اسفند 1403
صفحه 30-43

فایل ها

هم رسانی

ارجاع به این مقاله

آمار