عنوان پایان‌نامه
مدل هیبریدی ARIMA-NARX برای پیش بینی جریان ورودی به مخزن سد دز با استفاده از سیگنال های بزرگ مقیاس
- رشته تحصیلی
- مهندسی کشاورزی - مهندسی منابع آب
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 58923;کتابخانه پردیس ابوریحان شماره ثبت: 702
- تاریخ دفاع
- ۱۶ شهریور ۱۳۹۲
- دانشجو
- آرزو احمدیان
- استاد راهنما
- محمدابراهیم بنی حبیب
- چکیده
- مدیریت صحیح منابع آب از جمله ضرورت های زندگی امروز می باشد. این امر بدون دست یابی به اطلاعات جامع، برنامه بهره برداری مناسب از منابع و در نهایت پیش بینی کمّی ذخایر آبی تحقق نمی یابد. مدت هاست که مدیریت این ذخایر و پیش بینی آن از دغدغه های بشر می باشد و برای یافتن راهکاری در راستای پیش بینی روابط خطی و غیرخطی جریان ورودی به سد (یکی از مهم ترین ذخایر آبی) روش¬های مختلفی را ابداع وآزمون نموده است. مدل¬ آریما و آرما (از مدل¬های سری زمانی) در پیش بینی روابط خطی و مدل شبکه عصبی دربرآورد روابط غیرخطی آبدهی عملکرد خوبی را نشان داده اند. در این تحقیق به منظور بهره گیری از مزایای منحصربه فرد هریک از روش‌ها‌ی مدل¬سازی خطی و غیرخطی و حصول نتایج دقیق تر، روش هیبریدی پیشنهادی آریما-نارکس (در مقیاس روزانه) و آرما-نارکس (در مقیاس ماهانه) به منظور پیش بینی جریان ورودی به مخزن سد دز در یک سال آینده استفاده شده است. در روش هیبریدی، جزءخطی داده ها توسط مدل سری زمانی (آریما در مقیاس روزانه و آرما در مقیاس ماهانه) پیش¬بینی می شود، سپس مدل شبکه عصبی مصنوعی نارکس جزءغیر خطی داده ها (باقیمانده های مدل سری زمانی) را مدل می کند. در نهایت مجموع دو جزءخطی و غیرخطی محاسبه می¬شود. در مرحله وارد کردن اطلاعات به مدل شبکه عصبی، علاوه بر نتایج پیش¬بینی مدل سری زمانی، متغیر های پیش بینی کننده دیگری نیز به مدل وارد می شوند. این متغیر ها شامل بارش و سیگنال های بزرگ مقیاس اقلیمی می باشند. آبدهی و بارش از جمله متغیر های پیش بینی کننده ای هستند که استفاده از آن ها قدمت طولانی دارد، اما آنچه این پژوهش به آن می پردازد، بررسی تاثیر سیگنال¬های بزرگ مقیاس اقلیمی بر رواناب می باشد؛ از این رو در این تحقیق علاوه بر آبدهی و بارش، شاخص های نوسان اطلس شمالی، نوسانات جنوبی، دمای سطح آب خلیج فارس و دریای سرخ نیز استفاده شده اند. بدین ترتیب مدل های هیبریدی مختلف براساس متغیر های پیش بینی کننده ورودی به مدل تعریف شده اند و مدل برتر براساس کمترین مقدار در شاخص ارزیابی جامع پیش بینی جریان ،که در این تحقیق معرفی شد، انتخاب گردیده است. این شاخص از سه خطا یعنی میانگین قدرمطلق خطای نسبی، خطای مقدار و خطای تاخیر زمانی دبی اوج تشکیل شده است. در مدل¬های مورد بررسی تاثیر بارش، شاخص¬های بزرگ مقیاس اقلیمی و تاثیر توامان بارش و شاخص¬های اقلیمی بر آبدهی ارزیابی می شود. نتایج در مقیاس روزانه نشان دهنده تاثیر کم رنگ شاخص نوسان اطلس شمالی در این مقیاس زمانی و موفقیت بارش در پیش بینی دبی اوج و کاهش تاخیر زمانی آن می باشد و همراهی بارش و شاخص اقلیمی تاثیر مثبتی در نتایج نداشته است؛ به دلیل فقدان اطلاعات، دیگر شاخص های اقلیمی در این مقیاس بررسی نشده¬اند. در مقیاس ماهانه شاخص های بزرگ مقیاس اقلیمی به وضوح بیشتری در بهبود پیش¬بینی نقش داشتند و همراهی بعضی از شاخص¬های اقلیمی و بارش در چندین مدل منجر به کاهش چشمگیر خطای مقدار دبی اوج و رفع تاخیر زمانی آن گردید. نتایج نهایی نشان می دهد که شاخص ارزیابی جامع پیش بینی جریان در مقیاس روزانه از 25/1 در مدل آریما به 362/0 در بهترین پیش بینی مدل هیبریدی و در مقیاس ماهانه از 29/7 در مدل آرما به 32/0در بهترین پیش بینی مدل هیبریدی کاهش یافته است. در پایان با بررسی مدل های برتر، شاخص دمای سطح آب خلیج فارس به عنوان موثرین شاخص مورد بررسی در مقیاس ماهانه معرفی شده است. کلید واژه: پیش بینی جریان، مدل هیبریدی، سیگنال های بزرگ مقیاس
- Abstract
- Proper management of water resources is necessary for nowadays’ life. This is not possible without access to comprehensive information and appropriate operation planning of water resources and flow forecasting. Management and forecasting of water resources has been important for human for long times and linear and nonlinear forecasting models for reservoir inflow are invented and tested. Time series models such as ARIMA and ARMA models and artificial neural network models have been demonstrated their ability for linear and nonlinear forecasting of flow respectively. In this study, to utilize the unique advantages of each of the linear and non-linear modeling techniques and achieving more accurate results, hybrid ARIMA-NARX approach and hybrid ARMA-NARX approach are proposed to forecast daily and monthly reservoir inflow of the Dez dam in the next following year. In the hybrid approach, time series models (ARIMA in daily scale and ARMA in monthly scale) forecast linear component of data , then NARX artificial neural network forecast non-linear component of discharge data (residuals of time series models). Eventually the sum of two linear and non-linear components is calculated. The input of the artificial neural network, beside result of time series models, includes precipitation and large-scale climate signalsas forecasting variables. Discharge and precipitation were used as forecasting variables for a long time, but what this study deals with the effect of large-scale climate signals in the runoff. Then, in additional of the discharge and precipitation, indexes of the North Atlantic Oscillation, southern Oscillations, Persian Gulf and Red Sea surface temperature have been used. In this study, the hybrid models are defined based on their inputs and the best model is selected according to the lowest Integrated Index for Flow Forecasting Evaluation (IIFFE) which defined in this research. This index is formed by combination of the three error; the mean absolute relative error, magnitude and time delay error of peak flow. In these models, the effect of precipitation, indexes of large-scale climate signals and combination of them are assessed on forecasted flow. The results showed low impact of the North Atlantic Oscillation index (NAO) and effect of precipitation in daily scale. Combination of NAO and precipitation didn’t improved the results in daily scale; because absence of other indexes of climate, they hasn’t been investigated in daily flow. Monthly large-scale climate signals improved more clearly forecasting and combination of some indexes and precipitation in some of models led to reduction in error of peak flow and fixed its delay. Final results showed IIFFE reduced from 1.25 in ARIMA model to 0.362 in the best hybrid model of daily scale and from 7.29in ARMA to 0.32 in the best hybrid model of monthly scale. At the end,investing of top models introduced Persian Gulf sea surface temperature as the successful index an in monthly scale. Keywords: Forecasting flow, hybrid model, large-scale signals
