پديد آورندگان :
اسمعيلي گليساونداني، حسن دانشگاه شهيد چمران اهواز - گروه مهندسي هيدرولوژي و منابع آب , آخوندعلي، علي محمد دانشگاه شهيد چمران اهواز - گروه مهندسي هيدرولوژي و منابع آب , زارعي، حيدر دانشگاه شهيد چمران اهواز - گروه مهندسي هيدرولوژي و منابع آب , تقيان، مهرداد دانشگاه كشاورزي و منابع طبيعي رامين - گروه مهندسي هيدرولوژي و منابع آب
كليدواژه :
تحليل منطقه اي , سيلاب , دبي سيلاب , ANFIS , ANN
چكيده فارسي :
سابقه و هدف: توسعه روش هاي برآورد فراواني منطقه اي سيلاب در مناطق فاقد ايستگاه هاي اندازه گيري يكي از اولين اهداف اصلي در مسايل روز هيدرولوژي مي باشد. ارزيابي فراواني سيلاب در حوضه هاي فاقد ايستگاه هاي اندازه گيري، معمولاً توسط ايجاد روابط مناسب آماري (مدل ها)بين سيلاب و ويژگي هاي فيزيكي حوضه انجام مي گيرد. تاكنون معادلات متعددي در زمينه برآورد دبي سيلاب در مناطق مختلف از جمله حوضه كرخه ارايه شده ولي با توجه به پيچيدگي اين پديده، روابط موجود نتوانسته اند دبي سيلاب طراحي را با دقت مناسب شبيه سازي كنند. بر همين اساس در اين پژوهش علاوه بر روش رگرسيوني كه در گذشته استفاده مي شد از مدل شبكه هاي عصبي مصنوعي (ANN) و همچنين سيستم استنتاج فازي - عصبي تطبيقي (ANFIS) استفاده شده است اين مدل ها در واقع از نوع مدل هاي جعبه سياه هستند كه بدون آگاهي يا با آگاهي كم از فرآيند دروني سيستم، وروديها را به خروجي ها (يا خروجي) تبديل مي نمايد. اين وضعيت در واقع مشابهت اين مدل ها را با روابط رگرسيوني مي رساند، با اين تفاوت كه قابليت انعطاف آنها در تنظيم وزنها بيشتر بوده و لذا به عنوان جايگزين براي رگرسيون هاي چند متغيره استفاده مي شود.
مواد و روش ها: منطقه مورد پژوهش، در نواحي غرب ايران قرار دارد كه شامل 33 ايستگاه هيدرومتري همگن مي باشد. از ايستگاه هاي همگن موجود،27 ايستگاه براي واسنجي (ايجاد مدل) و 6 ايستگاه براي صحت سنجي مدل هاي ايجاد شده، مورد استفاده قرار گرفتند، براي حصول به مدل واحد، دوره بازگشت به عنوان عامل مستقل در مدل در نظر گرفته شد.
يافته ها: براي دستيابي به بهترين ساختار شبكه عصبي مصنوعي و همچنين شبيه سازي در سيستم ANFIS از تركيبات مختلف فيزيوگرافي به همراه دوره بازگشت به عنوان ورودي استفاده شد. براي بدست آوردن مهم ترين عوامل ورودي در مدل ها از تحليل حساسيت در محيط نرم افزار SPSS استفاده شد، و بدين ترتيب مهم ترين متغييرهاي مستقل برابر شد با: دوره بازگشت، مساحت، ارتفاع، طول آبراهه اصلي وشيب، در مدل ANN ساختارهاي مختلف اين ورودي ها با يكديگر مقايسه شدند با اين توضيح كه براي بهينه سازي وزن هاي اتصال در بين لايه هاي مختلف ANN از الگوريتم ژنتيك استفاده شده است. بدين ترتيب بهترين شبكه، پيشخور با ساختار 1-10- 5 با ضريب تعيين 0.95 انتخاب شد. و همچنين در سيستم ANFIS، با افزايش تعداد ورودي ها در هر چهار تابع عضويت مثلثي، گوسي نوع 1، گوسي نوع 2 و ذوزنقه اي دقت شببيه سازي افزايش يافته به طوري كه بهترين شبيه سازي در تابع مثلثي با RMSE=0.1514 و R^2=0.97كه در آن تعداد قوانين 243 مي باشد. در پايان با مقايسه مدل ANFIS ، ANN و مدل رگرسيوني مشخص شد كه مدل ANFIS در مقايسه با شبكه عصبي منتخب و مدل رگرسيوني به خصوص در دوره بازگشت هاي زياد از دقت بالاتري برخوردار است.
نتيجه گيري: مدل رگرسيوني در زير حوضه هايي كه دبي سيلاب آنها در دوره بازگشت هاي مختلف حدوداً كمتر از m3/s1000 باشد، از مطابقت خوبي با دبي سيلاب واقعي برخوردار است همچنين مدل شبكه عصبي نيز در دبي هاي كم دقت خوبي دارند ولي از آنجا كه مدل رگرسيوني قادرند پيش بيني هاي خود را در قالب فرمول ارايه كنند، نسبت به مدل هاي ANN و ANFIS كه اطلاعاتي در مورد روابط بين پارامترهاي مسئله ارايه نمي دهند براي مهندسين راحتر مي باشد ولي در مجموع از نظر دقت پيش بيني سيستم استنتاج فازي - عصبي تطبيقي(ANFIS) در تمام دوره بازگشت ها، دبي سيلابشان از مطابقت بسيار بالايي با دبي سيلاب واقعي برخوردار بوده و مي توان به عنوان بهترين ابزار براي پيش بيني دبي سيلاب در دوره بازگشت هاي مختلف در حوضه آبريز كرخه معرفي كرد.
چكيده لاتين :
Background and Objectives: Developing of techniques for regional flood frequency estimation in
ungauged sites is one of the foremost goals of contemporary hydrology. The flood frequency
evaluation for ungauged catchments is usually approached by deriving suitable statistical
relationships (models) between flood statistics and basins characteristics. Already, several equations
have been presented to estimate the flood frequency in different areas such as Karkheh basin.
However, due to the complexity of this phenomenon, the relationships have not been capable to
simulate the flood frequency with desired accuracy. Accordingly, in this study, in addition to the
regression method has been used in the previous studies, the ANN and ANFIS models are applied. In
fact, these are a type of black box models without any knowledge of processes within the system, in
which inputs are converted into outputs (or output). This situation indicates that this type of new
models is actually similar to the regression relations, however, there is further flexibility in adjusting
the weights and thus can be used as an replacement to multivariate regressions.
Materials and Methods: The study area, including 33 hydrometry stations, is located in the west of
Iran. In this study, 27 of the stations for calibration and 6 of the stations for validation were used. To
approach a unique model, return period was taken into account as the independent factor.
Results: For achieving the best ANN and ANFIS system, different combinations of physiographic
with return periods, as input data, has been used. To find the important input factors of the models,
sensitivity analysis has been performed in SPSS software. Accordingly, the most important
independent variables were including: Return period, area, height, main stream length and slope. In
the ANN model, different combinations of these inputs were compared together. It should be noted
that for optimizing the connecting weights among different layers of ANN, Genetic algorithms have
been used. Consequently, the best selected network is Feed-forward with the structure of 5-10-1 and
R=0.95. In the ANFIS system, with increasing the number of input variables for each of the four
membership function, including Triangular, Gaussian, Gaussian2 and trapezoidal, simulation
accuracy increases. The best simulation is a triangular function with RMSE=0.1514, R=0.97 and
the number of rules is 243. Finally, by comparing models, The ANFIS model was selected as the
best model. The ANFIS has the best accuracy especially in high return period.
Conclusion: Where the sub-basins are small and their flood in different return periods is less than
1000 m3/s, the regression model makes a good accordance with real flood. The ANN model has also
good performance in low discharges. The regression presents its forecast in the framework of formulas
and it is better and more practical for engineers. Generally, The ANFIS model is the best model for all
ranges of the discharge and the best tool for prediction enormous flood in Karkheh basin.
