پیش‌بینی جریان رودخانه با استفاده از روش پیش‌بینی خوشه ای جریان (مطالعه ی موردی در حوضه‌ی کرج)
پذیرفته شده برای پوستر XML
شناسه دیجیتال (DOI): 10.22631/ICCECONF.2017.16076.1364
نویسندگان
1تهران_ میرداماد _ دانشگاه خواجه نصیر الدین طوسی
2دانشیار دانشگاه خواحه نصیر الدین طوسی
3سرپرست آزمایشگاه
چکیده
یکی از مهم‌ترین موضوعات مطرح در حیطه‌ی مدیریت منابع آب، پیش‌بینی جریان با توجه به عدم قطعیت‌های موجود می‌باشد. روش پیش‌بینی جریان خوشه‌ای (ESP ) یک سیستم پیش‌بینی احتمالاتی با هدف تعیین میزان عدم قطعیت است که از مجموعه‌ای از شرایط اولیه بهره می‌جوید. برای تولید ESP در ابتدا باید متغیر‌های مناسب انتخاب گردند که به این مرحه انتخاب ورودی (Input Selection) می‌گویند. در این تحقیق، این مرحله توسط الگوریتم ژنتیک (GA) انجام و از بین متغیر‌های بارش، دما و جریان دوره‌های قبل مناسب‌ترین متغیرها برای ایجاد ESP انتخاب شده‌اند. سپس با استفاده از شبکه ی عصبی گروهی (ENN ) بعنوان مدل بارش-رواناب پیش‌بینی خوشه ای انجام شده است. برای اینکار ابتدا تعداد شبکه های عصبی منفرد مورد استفاده در شبکه گروهی از طریق سعی و خطا تعیین می شود و سپس مقدار نهایی با میانگین گیری از خروجی این مدلها بدست می آید. آنگاه با استفاده از آزمون‌های احتمالاتی نظیر BS و RPS خوشه‌ها بررسی و تحلیل و مدل اعتبار سنجی شده است. در این تحقیق از حوضه کرج بعنوان مورد مطالعاتی استفاده شد. بررسی نتایج با معیارهای بیان شده نشان می‌دهد پیش‌بینی‌ها از دقت خوبی برخوردار هستند.
کلیدواژه ها
موضوعات
 
Title
Ensemble Stream flow Forecasting : Karaj Basin
Authors
Mohammad Reza tehran, Alireza Borhani Dariane, davod vakilzadeh
Abstract
Stream flow prediction under uncertainties is one of the important subjects in water resources management. Ensemble Stream flow Prediction (ESP) is probabilistic way to assess the forecast flow uncertainties. To generate ESP, first input variables must be selected. In this research, this was done using a binary genetic algorithm (GA) based input selection method where precipitation, temperature, and previous streamflows were chosen as the model input. Then, using the Ensemble Neural Network (ENN) as the rainfall-runoff model ESP traces are generated. This is done by first determining the number of single neural networks through a trial and error method and then combining the output of these models by averaging them. Finally, probabilistic methods such as Brier Score (BS) and Ranked Probability Score (RPS) the results are evaluated and compared. In this paper, Karaj basin above the Karaj reservoir is used as the case study. The results show that the forecasts have good precision.
Keywords
Ensemble Streamflow Prediction, Ensemble Neural Network, Probabilistic Prediction, Genetic Algorithm, Input Selection, Probabilistic Evaluation