نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشجوی دکتری، گروه آبخیزداری و مدیریت مناطق بیابانی، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
2 استادیار، گروه آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس، گنبد کاووس، ایران
چکیده
پیشبینی مقادیر جریان ورودی به سیستم منابع آب بهمنظور آگاهی از شرایط آینده و برنامهریزی برای تخصیص بهینه منابع آب به بخشهای مختلف از قبیل شرب، کشاورزی و صنعتی امری ضروری در مدیریت منابع آب میباشد. هدف از پژوهش حاضر پیشبینی مقادیر دبی ماهانه ورودی به سد گرگان برای آینده بود. بدین منظور از دادههای هیدرومتری ایستگاه قزاقلی با دوره آماری 47 سال و سه مدل سریزمانی، شبکه عصبی و ماشین بردار پشتیبان جهت پیشبینی استفاده شد و نتایج مدلهای مختلف مورد مقایسه قرار گرفت. با توجه به نتایج بهدست آمده در مدل سری زمانی بر اساس معیارهای آکاییک و شوارتز، مدل(1,0,1) ARIMA (1,0,0)بهعنوان مدل بهینه انتخاب شد. در مدل شبکه عصبی، شبکه با ورودی 2 و 10 نرون بهعنوان شبکه برتر انتخاب شد و در مدل ماشین بردار پشتیبان شبکه با ورودی 1 بهعنوان شبکه برتر انتخاب شد. در نهایت با توجه به نتایج بهدست آمده و با توجه به معیارهای ارزیابی مدلها، مدل ماشین بردار پشتیبان بهترین عملکرد را نسبت به دو مدل دیگر داشت. مقادیر RMSE و AARE برای مدل ماشین بردار پشتیبان بهترتیب 31/5 و 07/1، برای مدل شبکه عصبی بهترتیب 88/9 و 78/2 و برای مدل سری زمانی بهترتیب 84/8 و 20/1 بهدست آمد. بر اساس نتایج این پژوهش، بهترین مدل برای پیشبینی دبی ماهانه ورودی به سد گرگان مدل ماشین بردار پشتیبان میباشد.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Application of Time Series, ANN, and SVM Models in Forecasting the Gorgan Dam Inflow Rate
نویسندگان [English]
- Meisam Samadi 1
- Abolhasan Fathabadi 2
1 PhD Scholar, Department of Watershed Management Science and Engineering, Faculty of Rangeland and Watershed Management, Gorgan University of Agricultural and Natural Resources. Gorgan, Iran
2 Assist. Professor, Department of Rangeland and Watershed, Faculty of Natural Resources, Gonbadekavous University, Gonbadekavous, Iran
چکیده [English]
In water resources management, there is a critical need to the prediction of the amount of inflow into the water supply system in order to be aware of future conditions and planning for optimal allocation of water resources to different sectors such as drinking, agriculture and. The aim of this study is to forecasting the monthly inflow to the Gorgan dam for future. To this aim, the data of the Qazaghli station with a 47-years history period and three Time series, neural network and Support vector machine models used for prediction. According to the obtained results, the ARIMA (1, 0, 0) (1, 0, 1) was found to be the premier parsimonious time series model based on the Akaike and Schwarz criteria. Moreover, The ANN model with 2 input and 10 neurons tuning and the SVM model with one input were the best performing models. Finally, according to the obtained results and evaluation criteria, the SVM model has the best efficacy in comparison with two other methods. The RMSE and AARE was 5.31 and 1.07 for SVM model, respectively; 9.88 and 2.78 for neural network, respectively and 8.84 and 1.07 has been obtained for Time Series model, respectively. Based on the results of this research, the best model to predict the monthly discharge input to the Gorgan dam was SVM.
کلیدواژهها [English]
- Akaike
- Ghazaghli Station
- Schwarz
- Modeling
- Neuron