مقایسه کاربرد الگوسازی سری زمانی و شبکه های عصبی در پیش بینی رسوب معلق رودخانه ها (مطالعه موردی: ایستگاه هیدرومتری واقع در ایالت اوهایو)

فهرستی‌ثانی, مسعود; اسدی, مریم; فتح زاده, علی

doi:10.22034/emj.2025.732520

مقایسه کاربرد الگوسازی سری زمانی و شبکه های عصبی در پیش بینی رسوب معلق رودخانه ها (مطالعه موردی: ایستگاه هیدرومتری واقع در ایالت اوهایو)

نوع مقاله : مقاله پژوهشی

نویسندگان

مسعود فهرستی‌ثانی ¹

مریم اسدی ²

علی فتح زاده ³

¹ دانشیار، گروه اقتصاد کشاورزی، دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان، اردکان، ایران.

² دکتری آبخیزداری، اداره منابع طبیعی و آبخیزداری خوانسار، خوانسار، ایران.

³ دانشیار، گروه مهندسی طبیعت، دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان، اردکان، ایران.

10.22034/emj.2025.732520

چکیده

برآورد رسوب معلق رودخانه‌ها، یکی از فرآیندهای مهم مهندسی رودخانه و منابع آبی است که نقش مهمی در طراحی و ساخت سازه‌های آبی، مدیریت فرسایش و رسوب در سطح حوزه‌های آبخیز دارد. پیش‌بینی بار رسوب رودخانه‌‌ها، با توجه به ساختار غیر خطی و پیچیده آن‌ها کار ساده‌ای نیست. تاکنون مدل‌سازی‌های مختلفی به‌منظور پیش‌بینی روند بار رسوبی معلق در رودخانه‏ها صورت گرفته است. لیکن این پژوهش، در راستای ارزیابی و توسعه روش‏های پیش‏بینی، به بررسی کارایی مدل‏های سری‏زمانی و شبکه عصبی مصنوعی در شبیه‌سازی داده‌های رسوب می‏پردازد. بر این اساس، داده‌های رسوب در ایستگاه هیدرومتری اوهایو واقع در ایالت متحده (1992 تا 2014) اخذ و در قالب سری‏زمانی و شبکه عصبی برای آن‏ها الگوسازی شد. نتایج آزمون ریشه واحد نشان داد، سری رسوب در سطح، ایستا است و با استفاده از روش باکس- جنکینز بر روی این داده‌ها، الگوی مناسب برای پیش‌بینی رسوب تعیین شد. با به‌کارگیری الگوی آرما و مدل شبکه عصبی مصنوعی به پیش‌بینی بار رسوبی معلق برای 5 سال آینده پرداخته شد. نتایج نشان داد که مدل آرما با خطای جذر میانگین مربعات 4/67 و ضریب تعیین 0/56از دقت بالاتری در پیش‌بینی بار رسوبی معلق برخوردار است.

کلیدواژه‌ها

بار رسوب معلق

دبی جریان

سری زمانی

شبکه عصبی مصنوعی

موضوعات

فرسایش و رسوب

عنوان مقاله English

Comparison of the application of time series modeling and neural networks in predicting suspended sediment in rivers (Case study of a hydrometric station in Ohio)

نویسندگان English

Masoud FehrestiSani ¹

Maryam Asadi ²

Ali Fathzadeh ³

¹ Associate Professor, Department of Agricultural Economic, Faculty of Agriculture & Natural Resources, Ardakan University, Ardakan, Iran.

² Ph.D. in Watershed Management, Department of Natural Resources and Watershed Management of Khansar, Khansar, Iran

³ Associate Professor, Department of Nature Engineering, Faculty of Agriculture and Natural Resources, Ardakan University, Ardakan, Iran.

چکیده English

Estimation of suspended sediment in rivers is one of the important processes of river engineering and water resources and plays an important role in the design and construction of water structures and erosion and sediment management at the watershed. Predicting the sediment load of rivers is not an easy task due to their nonlinear and complex structure. So far, various modeling has been performed to predict the trend of suspended sediment load in rivers. However, this research, in order to evaluate and develop forecasting methods, examines the efficiency of time series models and artificial neural networks in simulating sediment data. Based on this, sediment data were collected at the Ohio Hydrometric Station in the United States (1992–2014) and were modeled using time series and artificial neural networks.The results of unit root test showed that the sediment series is at a static level and a suitable model for sediment prediction was identified by applying the Box-Jenkins method to these data. Using the ARMA model and artificial neural network model, suspended sediment load was predicted for the next 5 years. The results showed that the ARMA model with RMSE, 4.67 and R² 56.5 has a higher accuracy in predicting the suspended sediment load.

کلیدواژه‌ها English

Suspended sediment load

flow rate

time series

artificial neural network

اندرس، و. (1389). اقتصادسنجی سری‏های زمانی با رویکرد کاربردی، ترجمه: مهدی صادقی و سعید شوال‏پور، چاپ دوم، نهران: انتشارات دانشگاه امام صادق (ع).

احمدی. ف.، قهرمان. ب.، داوری. ک.، و نیرومند. ح. (1386) .کاربرد مدل‌های سری زمانی در پیش بینی بارندگی ماهیانه و سالانه مشهد، علوم صنایع کشاورزی، ویژه خاک و اب و هوا، (2)21، 21-32.

بابازاده، ح.، شمس‌نیا، س. ا.، بوستانی، ف.، نوروزی، ا.، و خدادادی دهکردی، د. ( 1391). بررسی خشکسالی، ترسالی و پیش‌بینی پارامترهای اقلیمی بارش و درجه حرارت منطقه شیراز. جغرافیا و برنامه‌ریزی، (41)16، 23-47.

حکیمی‏پور، ن.، علی‏پور، م.، یزدان‏خواه، م.، و رضایی، ا. (1393). پیش‌بینی تورم با استفاده از رهیافت سری‏های زمانی. بررسی‌های آمار رسمی ایران، (1)25، 45-31.

حکمت‌زاده. ع.، و طالب بیدختی. ن. ( 1387). آنالیز فراکتالی سری زمانی جریان رودخانه‌ها (مطالعه موردی رودخانه کر). هفتمین کنفرانس هیدرولیک ایران. تهران. آبان 1387.

خزایی موغانی. س.، نجفی نژاد، ع.، عظیم محسنی، م.، و واحد بردی ش. (1393). پیش‌بینی رسوب معلق با استفاده از مدل سری زمانی تابع انتقال در ایستگاه‌های منتخب گرگانرود، پژوهش‌های حفاظت آب و خاک، (3)21 ،185-202.

روشنگر،ک.، و پرهیزجوان، ف. (1393). ارزیابی عملکرد سیستم‌های هوش مصنوعی در برآورد بارکل رسوبی رودخانه آجیچای. فضای جغرافیایی، (46)14، 173-197.

رحیمی، ل.، دهقانی. ا.، قربانی، خ.،و عبدالحسینی، م. (1393). تحلیل مقایسه‌ای مدل‌های سری‌های زمانی داده‌های دبی کل، دبی پایه و جریان سطحی)مطالعه موردی: ایستگاه هیدرومتری ارازکوسه(. پژوهش‌های حفاظت آب و خاک، (3)21، 77-55.

دودانگه. ا.، عابدی کوپائی، ج.، و گوهری س. ع. (1392). کاربرد مدل‌های سری زمانی به‌منظور تعیین روند پارامترهای اقلیمی در آینده در راستای مدیریت منابع آب. علوم آب و خاک، (59)16،91-۱۳.

سوری، ع. ( 1392). اقتصاد سنجی همراه با کاربرد Eviews، چاپ چهارم، تهران: انتشارات نشر فرهنگ شناسی و نشر نور علم.

شعبانی، ب.، موسوی بایگی، م.، جباری نوقابی، م.، و قهرمان، ب. (1392). مدل‌سازی و پیش‌بینی دمای حداکثر و حداقل ماهانه دشت مشهد با استفاده از مدل‌های سری زمانی. آب و خاک، (5)77، 906-896.

فتح آبادی، ا.، سلاجقه، ع.، و مهدوی، م. (1387). پیش بینی دبی رودخانه با استفاده از روش های نوروفازی و مدل های سری های زمانی. مجله علوم و مهندسی آبخیزداری ایران، 2(5)، 21-30.

فهرستی‌ثانی، م.، سلامی، ح.، و نظری. م. (1391).کاربرد الگوی سری زمانی فصلی درمدیریت عرضه آب مطالعه موردی سد زاینده رود. هشتمین همایش دو سالانه اقتصاد کشاورزی ایران، شیراز، اردیبهشت1391، 20-21.

مردوخ پور، ع.، جاماسبی، ح.، و علیپور، ا. (1398). ارزیابی میزان برآورد رسوب با بهره گیری از روش منحنی سنجه ومقایسه نتایج با روش های رگرسیونی و شبکه عصبی مصنوعی )مطالعه موردی :رودخانه بابل رود-استان مازندران(.علوم و تکنولوژی محیط زیست، (11)22.

ویسی‌پور، ح.، معصوم پور سماکوش، ج.، صحنه، ب.، و یوسفی، ی. (1389). تحلیل پیش بینی روند بارش و دما با استفاده از (ARIMA)مدل‌های سری زمانی(نمونه موردی: شهرستان کرمانشاه). جغرافیا، (12)4، 65-80.

یوسفی، م.، و برزگری، ف. (1394) . تعیین مناسب‌ترین روش منحنی سنجه و مقایسة آن با شبکة عصبی مصنوعی به منظور برآورد رسوبات معلق (مطالعة موردی: استان لرستان). منابع طبیعی. (2)68، 413-426.

Barnston, A. G. (1992). Correspondence among the correlation, RMSE, and Heidke forecast verification measures; refinement of the Heidke score. Weather and Forecasting, 7(4), 699-709.

Di Silvio, G. (1996). Underground structures of artificial basins; Interrimento e riabilitazione degli invasi artificiali. Acqua.Mahmood, K. (1987). Reservoir sedimentation: impact, extent, and mitigation.

Hornik, K., Stinchcombe, M., and White, H. (1989). Multilayer feedforward networks are universal approximators. Neural networks, 2(5), 359-366.

Melesse, A. M., Ahmad, S., McClain, M. E., Wang, X., and Lim, Y. H. (2011). Suspended sediment load prediction of river systems: An artificial neural network approach. Agricultural Water Management, 98(5), 855-866.

Naveh, H., Khalili, K., Alami, M. T., and Behmanesh, J. (2013). Forecasting river flow by bilinear nonlinear time series model (Case study: Barandoz-Chay & Shahar-Chai rivers).

Rajaee, T. (2011). Wavelet and ANN combination model for prediction of daily suspended sediment load in rivers. Science of the total environment, 409(15), 2917-2928.