25931

پيش‌بيني ساعتي نرخ جريان رودخانه بر اساس پردازش سيگنال و شبكه‌هاي عصبي (با استفاده از داده‌هاي تيكه‌نگاري صوتي)

كارشناسي ارشد

مهندسي عمران آب و سازه هاي هيدروليكي

1397

1400/08/20

دكتر ابراهيم جباري- دكتر معسود بحريني مطلق

دكتر حسين عليزاده

مهندسي عمران

پيش‌بيني كوتاه مدت نرخ جريان رودخانه‌ها اهميت فراواني در مديريت منابع آب و كنترل سيلاب دارد. يكي از مشكلاتي كه محققين در اين نوع از پيش‌بيني‌ها همواره با آن مواجه هستند؛ نبود يك بانك داده‌اي دقيق و با تفكيك‌پذيري زماني بالا مي‌باشد. فناوري تيكه‌نگاري صوتي يكي از روش‌هاي داده‌برداري نوين است كه علاوه بر دقت بالاي داده‌هاي برداشت‌شده داراي تفكيك‌پذيري زماني بالايي نيز مي‌باشد؛ بنابراين با كاربرد داده‌هاي برداشت‌شده با استفاده از اين فناوري به همراه يك مدل پيش‌بيني مناسب مي‌توان به يك پيش‌بيني كوتاه‌مدت دقيق از نرخ جريان رودخانه‌ها دست‌يافت. در اين تحقيق تأثير كاربرد داده‌هاي برداشت‌شده توسط فناوري تيكه‌نگاري صوتي در پيش‌بيني كوتاه‌مدت نرخ جريان توسط دو مدل‌ پيش‌بيني زير مجموعه روش دسته‌بندي گروهي داده‌ها CGA) و (MGA و تركيب اين دو مدل با روش پردازش سيگنال تبديل موجك گسسته DWT-MGA) و DWT-CGA) بررسي‌شده و با داده‌هاي به‌دست‌آمده از روش دبي-اشل مقايسه شده است. به‌منظور جلوگيري از بيش‌برازش شدن مدل پيش بيني از معيار اعتبارسنجي كا-فولد استفاده‌شده است. نتايج اين تحقيق نشان داد كه مدل تركيبي DWT- MGA در پيش‌بيني ساعتي نرخ جريان رودخانه‌ها در مقايسه با ساير مدل‌هاي استفاده شده يك مدل مناسب بوده است؛ همچنين كاربرد داده‌هاي تيكه‌نگاري صوتي باعث افزايش دقت پيش‌بيني‌ كوتاه‌مدت شده است؛ به‌طوري‌كه مقدار خطاي جذر ميانگين مربعات (RMSE)، براي پيش بيني صورت گرفته توسط مدل DWT- MGA براي بازه‌هاي زماني 1، 6، 12 و 24 ساعته بر روي‌داده‌هاي برداشت‌شده با روش تيكه‌نگاري ¬صوتي به ترتيب 20/2، 62/5، 38/8 و 30/13 مترمكعب بر ثانيه به دست آمد. درحالي‌‌كه اين مقادير براي داده¬هاي برداشت‌شده با روش دبي- اشل به ترتيب 72/2، 75/18، 23/31 و 98/42 مترمكعب بر ثانيه محاسبه شد. از دلايل بالا بودن دقت پيش‌بيني انجام‌شده بر روي‌داده‌هاي تيكه‌نگاري صوتي نسبت به داده‌هاي دبي- اشل مي‌توان به تفكيك‌پذيري زماني بالا و دقت بيشتر داده‌هاي برداشت‌شده توسط تيكه‌نگاري صوتي نسبت به دبي- اشل اشاره كرد.

1400/11/03

Hourly Streamflow Forecasting Based on Signal Processing and Neural Networks (Using FATS Data)

11/11/2022 12:00:00 AM

Short-term forecasting of streamflow is one of the most important goals in water resources management and flood control. However, one of the problems that researchers always face in this type of prediction is the lack of an accurate and high-resolution database. The Fluvial Acoustic Tomography (FAT) is an innovative technology that acquires streamflow data. Therefore, by using the data collected from this technology with a suitable forecast model, accurate short-term streamflow forecasting can be achieved. In this research, the effect of FAT data on short-term streamflow forecasting by two predictive models subset of data Group Method of Data Handling (CGA & MGA) and hybrid of these two models with the Discrete Wavelet Transform signal processing method (DWT-MGA & DWT-CGA) and compared with one obtained from the Rating Curve method. The k-fold cross-validation criterion has been used to prevent over-fitting. The results showed that the FAT data increases the accuracy of short-term forecasting. DWT-MGA is the best method for hourly streamflow forecasting. Further investigation revealed that using FAT data in comparison with the RC data significantly improves the short-term forecasting accuracy, where, the value of the Root Mean Square Error (RMSE) for 1, 6, 12, and 12 hours-ahead forecast by the DWT-MGA model calculated 2.20, 5.62, 8.38 and 13.30, respectively for FAT, and 2.72, 18.75, 31.23 and 42.98, respectively for RC. The reasons for the high accuracy streamflow forecasting on FAT data than RC data can be related to the higher accuracy and time resolution of FAT data.

الگوريتم دسته‌بندي گروهي داده‌ها , پيش بيني كوتاه‌مدت , پيش‌بيني نرخ جريان , تيكه نگاري صوتي

Group Method of Data Handling (GMDH) , Short-Term Forecasting , Streamflow Forecasting , Acoustic Tomography