عنوان پایان‌نامه
پیش‌بینی بلند مدت آورد رودخانه با استفاده از مدلهای آماری (مطالعه موردی رودخانه کرخه)
- رشته تحصیلی
- مهندسی کشاورزی - مهندسی منابع آب
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 5081;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 55059
- تاریخ دفاع
- ۲۶ شهریور ۱۳۹۱
- دانشجو
- مهدی اکبرنیا
- استاد راهنما
- عبدالحسین هورفر, شهاب عراقی نژاد
- چکیده
- پیش‌بینی بلند مدت جریان ورودی به مخازن سدها موجب بهبود مدیریت بهره‌برداری از مخازن سدها می‌شود. هدف تحقیق حاضر، پیش‌بینی جریان ورودی یک ماه آینده به مخزن سد کرخه در استان خوزستان بر اساس داده‌های ماهانه بارش، دما و رواناب از ماه قبل و با استفاده از شبکه‌های عصبی مصنوعی و تکنیک ترکیب اطلّاعات می‌باشد. به منظور انجام تحقیق از 41 سال داده ماهانه بارش و دمای متوسط و همچنین داده‌های هشت ایستگاه هیدرومتری در این بازه زمانی استفاده شده است. در این تحقیق پیش‌بینی‌ها در سه حالت جریان نرمال، کم آبی و پر آبی با استفاده از شبکه‌های عصبی مصنوعی انجام گرفته است و در انتها از سه مدل شبکه عصبی مصنوعی، میانگین وزنی و K نزدیک‌ترین همسایگی (KNN) به منظور ترکیب خروجی حاصل از پیش‌بینی‌های ذکر شده استفاده شده است. معیارهای انتخاب بهترین مدل، شامل جذر میانگین مربعات خطا (RMSE)، خطای درصد پیش‌بینی (%VE) و ضریب همبستگی (Corr) بوده و در مبحث ترکیب اطلّاعات، دو مدل KNN و میانگین وزنی نسبت به مدل شبکه‌های عصبی مصنوعی نتایج بهتری داشته‌اند. در ایستگاه جلوگیر، یکی از هشت ایستگاه مورد مطالعه نتایج بدست آمده با استفاده از تکنیک ترکیب اطلّاعات در پارامتر Corr، 5 درصد بهبود نسبت به مدل MLP3 مورد استفاده برای حالت نرمال و همچنین در پارامتر VE، 7 درصد بهبود در نتایج را نشان می‌داد. همچنین در مقایسه نتایج حاصل از تکنیک ترکیب اطلاعات که در آن از روش میانگین وزنی استفاده شده است با نتایج مدل رگرسیون خطی چند متغییره در ایستگاه جلوگیر، نتایج حاکی از بهبود 30 درصدی در پارامتر ضریب همبستگی و بهبود 26 درصدی در پارامتر VE می‌باشد. نهایتاً با توجه به نتایج تحقیق حاضر استفاده از تکنیک تلفیق اطلّاعات باعث بهبود دقت در پیش‌بینی شد.
- Abstract
- Long lead stream flow forecasting into the reservoirs improves utilization management of dam reservoirs. The goal of this study is to predict next month inflow to Karkheh dam in Khuzestan province, based on the monthly data of precipitation, air temperature and runoff in the previous month by using artificial neural network and data fusion method. 41 monthly precipitation and temperature data and inflow data in Eight Hydrometric stations in this period have been used. In this study predictions were classified in three groups of “Normal flow conditions”, “Low flow” and “high flow” and forecasted by artificial neural networks. Using three models such of artificial neural network, the weighted average and K Nearest Neighborhood (KNN) the results of individual models were combined. Criteria for selecting the best model in the study include the Root Mean Squared Error (RMSE ) , the Volume Error (% VE ) and the linear correlation coefficient (Corr ). KNN model and weighted Average model resulted in better forecasts than the artificial neural network model in case of data fusion. Results that obtained in Karkheh station by data fusion technique show 5% improvement in Corr parameter and 7% improvement in VE parameter than results that obtained from MLP3 models in normal condition. Also in comparison the results of data fusion technique used weighted Average with the results of Multivariate Linear Regression in Karkheh station, the results show the 30% improvement in linear correlation coefficient (Corr ) and the 26% improvement in VE parameter. In all cases the results of model fusion resulted in better forecasts than individual forecasting models.
