Iranian Jornal of Watershed Management Science&Engineering

fa پیش‌بینی جریان روزانه رودخانه اهرچای با استفاده از مدل قوانین M5 و مقایسه آن با شبکه‌های عصبی مصنوعی المانی (ENN) Daily Discharge Forecast of Aharchay River using M5 Model Trees and Its Comparing with Elman Neural Networks (ENN) تخصصي Special پژوهشي Research برآورد صحیح آبدهی رودخانه‌ها یکی از موارد مهم در پیش‌بینی خشکسالی، سیلاب، طراحی سازه‌های آبی، بهره‌برداری از مخازن سدها و کنترل رسوب می‌باشد. از این‌رو متخصصان علوم مهندسی آب جهت برآورد دقیق جریان، از روش‌های هوشمند مانند شبکه‌های عصبی مصنوعی و روش‌های مختلف داده‌کاوی بهره گرفته‌اند. در این مطالعه، جهت پیشبینی جریان روزانه رودخانه اهرچای، از روشهای شبکه عصبی مصنوعی المانی (ENN) و قوانین درختی M5 بهره گرفته شد. بدین منظور از دادههای جریان روزانه ایستگاه هیدرومتری اورنگ واقع بر رودخانه اهرچای در استان آذربایجانشرقی برای مدل‌سازی استفاده شد. نتایج حاصل از پیش‌بینی جریان در یک روز بعد نشان داد که گرچه روش ENN در بهترین سناریو با ساختار شبکه نسبتا پیچیده 1-3-9 که بیان‌گر 9 گره در لایه ورودی، 3 گره در لایه پنهان و یک گره در لایه خروجی با 90/0R2=، (m3/s)028/0RMSE= و (m3/s)001/0MAE= از دقت بیش‌تری برخوردار است. اما روش قوانین M5 تنها با دو پارامتر جریان در روز جاری و یک روز قبل به عنوان ورودی، با 83/0 R2=، (m3/s)734/0RMSE= و (m3/s)317/0 MAE= علاوه بر سادگی، از دقت قابل قبولی نیز برخوردار بوده است. مقایسه عملکرد دو مدل نشان داد، گرچه شبکه عصبی المانی دارای دقت بالاتری نسبت به روش M5 می باشد، ولی روش M5 با توجه به ارائه قوانین کارآمد و ساده اگر-آنگاه و روابط خطی ساده برای پیشبینی جریان و نیز تعداد پارامتر ورودی موردنیاز کم‌تر، می‌تواند بعنوان یک روش جایگزین مناسب بکار گرفته شود. The correct estimation of river discharge is an important issue in forecasting of drought and floods, designing of water structures, dam reservoir operation and sediment control. For this reason, water resources managers used intelligent techniques such as Artificial Neural Networks and data mining methods such as Decision Tree to reliably estimate the discharge in a river. In this study, the Elman Neural Networks (ENN) and M5 model trees were used to forecast daily discharge of Aharchay River. The daily discharge data of Aharchay River measured at the Orange hydrometric station was used for modeling. The results showed that for the forecasting discharge of one day ahead, the ENN method presents more accurate results in compression with M5 model. For forecasting discharge of one day ahead, the best scenario of ENN model with a relatively complicated structure of 9-3-1 that indicating 9 nodes in input layer, 3 nodes in hidden layer and 1 node in output layer, the calculated error measures were R2=0.90, RMSE=0.028 (m3/s) and MAE=0.001 (m3/s). The corresponding values for M5 model with only two input parameters including the discharge of current and last day, were R2=0.83, RMSE=0.734 (m3/s) and MAE=0.317 (m3/s). Comparing the performance of ENN and M5 models indicated that, however the ENN approach may present more accurate results than the M5 model tree, but the M5 model provides more understandable, applicable and simple linear relation in forecasting daily discharge. In addition, the number of required input parameter for M5 model is less than ENN model. Thus, the M5 model tree can be used as an alternative method in forecasting daily discharge. داده‌کاوی, شبکه عصبی المانی, مدل درخت تصمیم, مد‌‌ل‌سازی Data Mining, Elman Neural Network, Decision Tree Model, Modelling 11 18 http://jwmsei.ir/browse.php?a_code=A-10-265-1&slc_lang=fa&sid=1 Mohammad Reza Abdollah Pourazad محمدرضا عبداله پورآزاد reza_abd_a@yahoo.com 10031947532846006446 10031947532846006446 No Islamic Azad University of Ahar دانشگاه آزاد اسلامی واحد اهر Mohammad Taghi Sattari محمدتقی ستاری mtsattar@gmail.com 10031947532846006447 10031947532846006447 No University of Tabriz دانشگاه تبریز Rasoul Mirabbasi رسول میرعباسی نجف آبادی mirabbasi_r@yahoo.com 10031947532846006448 10031947532846006448 Yes Shahrekord University دانشگاه شهرکرد