25879

تشخيص و حذف داده‌هاي پرت در سري‌زماني به‌دست‌آمده از فناوري نوين تيكه‌نگاري صوتي رودخانه‌اي به‌منظور اندازه‌گيري و پيش‌بيني دقيق‌تر دبي رودخانه

كارشناسي ارشد

مهندسي عمران- آب و سازه هاي هيدروليكي

1397

1400/08/30

دكتر ابراهيم جباري- دكتر مسعود بحريني مطلق

دكتر حسين عليزاده

مهندسي عمران

فناوري تيكه‌نگاري‌صوتي رودخانه‌اي، از به‌روزترين فنّاوري‌هاي اندازه‌گيري دقيق و پيوسته جريان رودخانه‌ها مي‌باشد، كه به كمك قانون زمان طي شده سيگنال‌هاي صوتي، به اندازه‌گيري سرعت، دبي و ساير مشخصات جريان‌ مي‌پردازد. خروجي اين سامانه همانند ساير سامانه‌هاي صوتي اندازه‌گيري جريان‌، حاوي داده‌هاي پرتي مي‌باشد كه به‌درستي وضعيت جريان را نشان نداده كه عدم تشخيص و جايگزيني اين نقاط، سبب كاهش دقت اندازه‌‌گيري اين سامانه خواهد شد. به علت اهميت موضوع دستيابي به داده‌هاي بهنگام و دقيق رودخانه‌ها در جهت اهداف مديريت منابع آب، در اين تحقيق سعي شده است تا به كمك دو الگوريتم پرت‌كاوي، به موضوع تشخيص نقاط پرت موجود در داده‌هاي خام سامانه تيكه‌نگاري‌صوتي رودخانه‌اي پرداخته شود. همچنين از پنج روش جايگزيني نقاط پرت استفاده گرديد تا مقادير پرت شناخته‌شده با مقادير منطقي و مناسبي جايگزين گردند. با بررسي‌هاي به‌عمل‌آمده نتيجه شد كه سناريو تركيبي پرت‌كاوي- جايگزيني سه‌بعدي روسيو فضاي فازي- ميانگين سيگنال، بهترين عملكرد را براي داده‌هاي تيكه‌نگاري استفاده شده در اين تحقيق داشته است. در اين سناريو كه با خروجي روش دبي-اشل به عنوان مرجع مقايسه شده، مقدار خطاي جزر ميانگين مربعات از مقدار 13.568 به 5.375 پس از پرت‌كاوي بهبود يافته و مقدار ميانگين خطاي درصد مطلق از 15.640 به 9.274 تغيير كرده است. مقدار ضريب كارايي نش-ساتكليف از مقدار 32.406- به 4.244- پس از پرت‌كاوي با اين سناريو رسيده است و مقدار ضريب همبستگي پيرسون از 0.121 به 0.310 تغييريافته است. مقدار اختلاف نسبي دبي بين خروجي اين سناريو و خروجي روش دبي-اشل در محدوده 18- تا 26+% متغير بوده است، در حالي كه براي سيگنال پرت‌كاوي نشده در بازه 40- تا 40+% بوده است. در اين سناريو 1976 داده از 12232 داده (16.15% از كل)، به عنوان نقاط پرت شناسايي‌شده و با مقدار ميانگين سيگنال جايگزين گرديده‌اند. طبق نتايج به‌دست‌آمده، فرايند پرت‌كاوي- جايگزيني سه‌بعدي روسيو فضاي فازي- ميانگين سيگنال، سبب بهبود خروجي سامانه تيكه‌نگاري صوتي گرديده و باعث انطباق بيشتر با خروجي روش دبي-اشل به عنوان مقدار مرجع شده است.

1400/10/19

Improving the accuracy of streamflow data acquired from the Fluvial Acoustic Tomography technology using data despiking algorithms

11/21/2022 12:00:00 AM

Streamflow is an important hydrological factor in river and coastal planning/management and control of water resources. The Fluvial Acoustic Tomography (FAT) is a cutting-edge river monitoring technology. The flow velocity is measured by the FAT using the travel time of the acoustic signals; It’s then multiplied by the river cross-section to obtain accurate and continuous streamflow data. Similar to all acoustic instruments, the FAT velocity data contains outliers that were previously removed using the simple standard deviation (STD) method. The disadvantage of this method is that it not only does not replace the identified spikes with the appropriate values and results in signal discontinuity, but it also employs engineering judgment in its process, which increases the error during the despiking process. In this study, two despiking methods (i.e., phase-space thresholding (PST) and three-dimensional Rousseeuw Phase-Space thresholding (3D-RPS), were used to detect/modify outliers and five Replacement methods (i.e., 2 points mean either side of the spike (4PM), Linear Interpolation of 8 points (8PI), and 24 points (24PI), around each detected spike, Last good value before each spike (LGV), and signal mean value, were used to replace each detected spike by these two despiking methods, from a 6-day & 1-day velocity signal of the FAT and an artificial Signal with synthetic spikes . The results showed that the combined despiking-Replacement method of 3D-RPS- Signal mean has the best performance among the scenarios examined in this study, with a RMSE of 5.375 compared to 13.568 for raw signal, MAPE of 9.274 compared to 15.640 for raw signal, Nash-Sutcliffe efficiency coefficient of -4.244 compared to -32.406 for the raw signal and Pearson’s correlation coefficient of 0.310 compared to 0.121 for raw signal. The calculated streamflow using these scenarios was also compared with the reference streamflow obtained from the Rating Curve method. The results reveal that the discharge measurement accuracy using comined despiking-replacement scenario of 3DRPS-Signal mean is improved significantly in comparison with Raw Undespiked signal, where the relative discharge errors with Rating curve method, decrease from ±40% to -18¬-+26% for the 3D-RPS-signal mean approach. Based on these findings, it is recommended that the 3D-RPS- signal mean scenario be utilized for the despiking process in the tomography systems to improve the accuracy of streamflow measurement.

تيكه‌نگاري صوتي , داده پرت , پيش‌پردازش سري‌زماني , پرت كاوي , داده كاوي

Fluvial Acoustic Tomography , Outlier Detection , Data Despiking , Time-series Pre-processing , Data mining , Streamflow Predictive Models