Nivar

Nivar

Simulation and comparison of runoff estimation by neural network methods, regression and fuzzy inference(A case study:Dez catchment)

Document Type : Original Article

Authors
Ghazaleh Ahmadian AhmadAbad 1
Mahmoud Zakeri Niri 2
1 Master of Science Graduated Student. Engineering,Islamic Azad University,Branch of Eslamshahr,Tehran,Iran
2 Department of Civil Engineering, Islamshahr Branch, Islamic Azad University, Islamshahr, Iran
10.30467/nivar.2022.290750.1196
Abstract
Due to prolonged droughts in the recent decades. The importance of predicting the flow rate of surface water in rivers for water resources management increases. In this regard the flow rates in the natural water ways. Which is the most important supplement source for water in dam storages. are considered as the most vital factors in predicting surface water. To evaluate the accuracy of different models have been used runoff data of thirteen stations without trend in dez catchment. In this study, artificial neural network, support vector regression and adaptive neuro-fuzzy inference system methods with clustering and grid partitioning approaches were used to the simulation of run-off in dez catchment. Simulation results of runoff using the mentioned methods were compared using the statistical indicators of R, RMSE and NSE. Comparison between ANN, ANFIS and SVR showed that although the difference in the accuracy of the models is very small. It can be said that all three models have acceptable answers. The results also show that the ANN and ANFIS with clustering approach models with NSE=0.66 and 0.66 respectively during the test period have the ability to simulate two models SVR and ANFIS with grid partitioning approach.
Keywords
Dez catchment
Artificial Neural Networks
Support Vctor Regression
Neural Fuzzy Inference System
  1. حسن پور، ف وشیخعلی پور، ز.، 1393، مقایسه روش های هوش مصنوعی و ماسکینگهام در تخمین روند یابی سیلاب، مجله مهندسی منابع آب، سال7، شماره21، صفحات97تا108.
  2. رستمی، ر.، صدقی، ح ومعتمدی، ع.، 1388، تحلیل سیلاب حوضه ی دز، مجله مهندسی آب، سال2، شماره3، صفحات61تا70.
  3. قربانی، م.، ازانی،ع و محمودی وانعلیا، س.، 1394، مدل سازی بارش- رواناب با استفاده از مدل های هوشمند هیبــــــریدی،
  4. تحقیقات منابع آب ایران، سال11، شماره2، صفحات146تا150.
  5. یزدان پناه، ع.، وبرهمند، ن.، 1394، پیش بینی با کاربردشبیه تلفیقی شبکه ی عصبی مصنوعی و تجزیه
  6. موجکی ومقایسه نتایج با شبیه انفیس (مطالعه موردی:رودکر)، مجله مهندسی منابع آب، سال8، شماره26، صفحات23تا34.
  7. صف شکن، ف.، پیرمرادیان، ن و افشین شریفیان، ر.، 1396، ارزیابی و مقایسه روش شبکه عصبی مصنوعی و نرم افزارHEC-HMS در شبیه سازی آبنمود بارش- رواناب در حوضه آبخیز معرف کسیلیان، مجله مهندسی منابع آب، سال10، شماره35، صفحات 71 تا 84.
  8. سبحانی، ب.، عیسی زاده، م و شیرزاد، م.، 1396، شبیه سازی خود همبسته جریان حوضه آبریز زرینه رود با استفاده از روش تجزیه پروکراستس و مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان، نشریه حفاظت منابع آب و خاک، سال6، شماره4، صفحات 134 تا 119.
  9. شکفته، م، ر.، جلیلی قاضی زاده، م، ر و یزدی، ج.، 1399، تئوری شناسایی محدوده نشست در نواحی مجزای مجازی شبکه های توزیع آب با استفاده از شبکه ی عصبی مصنوعی، مجله تحقیقات منابع آب ایران، شماره3، صفحات 47 تا 62.
  10. Badrzadeh, H., Sarukkalige, R. and Jayawardena, A.W., 2015. Hourly runoff forecasting for flood risk
  11. management: Application of various computational intelligence models. Journal of Hydrology, 529, pp.1633-1643.
  12. Yaseen, Z.M., Jaafar, O., Deo, R.C., Kisi, O., Adamowski, J., Quilty, J. and El-Shafie, A., 2016. Stream-flow forecasting using extreme learning machines: a case study in a semi-arid region in Iraq. Journal of Hydrology, 542, pp.603-614.
  13. Wang, W.C., Chau, K.W., Cheng, C.T. and Qiu, L., 2009. A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series. Journal of hydrology, 374(3-4), pp.294-306.
  14. Nourani, V., 2017. An Emotional ANN (EANN) approach to modeling rainfall-runoff process. Journal of Hydrology, 544, pp.267-277.
  15. .Talei, A. and Chua, L.H., 2012. Influence of lag time on event-based rainfall–runoff modeling using the data driven approach. Journal of hydrology, 438, pp.223-233.

 

Nivar
Volume 45, 114-115 - Serial Number 114
September 2021
Pages 92-105

  • Receive Date 20 June 2021
  • Revise Date 29 October 2021
  • Accept Date 16 January 2022
  • Publish Date 23 September 2021