![سامانه نشر مجلات علمی دانشگاه تهران](./data/logo.png)
تعداد نشریات | 162 |
تعداد شمارهها | 6,579 |
تعداد مقالات | 71,072 |
تعداد مشاهده مقاله | 125,681,409 |
تعداد دریافت فایل اصل مقاله | 98,911,625 |
پیش بینی بلند مدت جریان رودخانه با استفاده از روش تحلیل طیف تکین در حوضه کرخه | ||
تحقیقات آب و خاک ایران | ||
مقاله 8، دوره 48، شماره 2، مرداد 1396، صفحه 309-321 اصل مقاله (696.41 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ijswr.2017.62633 | ||
نویسندگان | ||
فرید فروغی* 1؛ شهاب عراقی نژاد2 | ||
1دانشجوی دکتری پردیس کشاورزی و منابع طبیعی کرج- دانشگاه تهران و مربی دانشگاه شیراز | ||
2هیات علمی / دانشگاه تهران | ||
چکیده | ||
در دههای گذشته روشهای مختلفی برای تجزیه و تحلیل و پیشبینی متغیرهای فیزیکی استفاده شده است. یکی از آنها، روش آماری تحلیل طیف تکین (SSA) میباشد. SSA از روشهای مورد استفاده در مدلسازی فرایندهای مختلف آماری است و اخیراً استفاده از آن در رشتههای مختلف مهندسی از جمله منابع آب به منظور حذف اجزاء تصادفی موجود در سریهای زمانی گسترش یافته است. هدف اصلی از این تحقیق پیشبینی مقادیر جریان رودخانههای حوضه کرخه با استفاده از روش SSA می-باشد. ابتدا ایستگاههای شاخص در حوضه کرخه (پنج ایستگاه) برای این کار انتخاب گردید. دوره پر آبی ایستگاهها تعیین شد. برای مدلسازی 70 درصد دادهها برای واسنجی و 30 درصد دادهها برای صحتسنجی در نظر گرفته شد. ابتدا از روش SSA برای پردازش اولیّه دادهها و حذف نوفه موجود در سریهای زمانی جریان رودخانه استفاده شد. سپس از الگوریتم بازگشتی روش SSA برای ساخت مدل پیشبینی آبدهی رودخانه در ایستگاههای حوضه کرخه استفاده شد. برای بررسی عملکرد مدل از معیار جذر میانگین مربعات خطا نرمال شده، میانگین قدرمطلق خطای نسبی و ضریب همبستگی استفاده گردید. در مرحله صحت-سنجی بیشترین مقدار آماره NRMSE و MARE بهترتیب برابر 0.47 و 0.5برای ایستگاههای پلچهر بود. کمترین مقدار آماره NRMSE برای ایستگاه پل دختر و چم انجیر نزدیک به هم و برابر 0.3 و 0.31 و کمترین مقدار آماره MARE برای ایستگاه چم انجیر و پل دختر، نزدیک به هم و برابر 0.29 و 0.30 بود. در نهایت بهترین و ضعیفترین نتیجه در دو مرحله واسنجی و صحت سنجی بهترتیب برای ایستگاههای چم انجیر و پلچهر بهدست آمد. بر اساس نتایج این تحقیق میتوان با بهکارگیری روش SSA مقادیر جریان رودخانه را با دقت مناسب پیشبینی نمود. | ||
کلیدواژهها | ||
پیش بینی بلند مدت؛ آبدهی؛ جریان رودخانه؛ تحلیل طیف تکین؛ حوضه کرخه | ||
مراجع | ||
Akbarinia, M. (2012). Long Lead Stream flow Forecasting using data-driven models case study: Karkheh river MSc. thesis, Irrigation and reclamation engineering group, Tehran University, Karaj. (In Farsi) Basilevsky, A., Derek, P., and Hum, J. (1979). Karhunen-Loeve analysis of historical time series with an application to plantation births in Jamaica. Journal of the American Statistical Associations, 74: 284-290. Broomhead, D. S., and King, G. P. (1986). Extracting qualitative dynamics from experimental data. Physica D, 20: 217-236. Broomhead, D. S., King, G. P., and Pike, E. R. (1987). Singular spectrum analysis with application to dynamical systems. Noise and Fractal, IOP Publication, Bristol. Danilov, D. (1997). Principal components in time series forecast. Journal of Computational and Graphical Statistics, 6:112–121. Golyandina, N., Nekrutkin, V., and Zhiglovsky, A. (2001). Analysis of time series structure: SSA and related techniques. Chapman & Hall/CRC. Hajibigloo, M., Ghezelsofloo, A. A., and Alimirzaei, H. (2013). Discussion and forecast monthly average rainfall techniques using SARIMA (case study: pluviometry station Babaaman Bojnourd). Journal of Irrigation Science and Engineering, 36 (3): 41-54. (In Farsi) Hassani, H. (2007). Singular Spectrum Analysis: Methodology and Comparison. Journal of Data Science, 5(2007): 239-257. Hassani, H., Mahmoudvand, R., and Yarmohammadi, M. (2010). Filtering and denoising in linear regression analysis. Fluctuation and Noise Letters, 9 (4): 343-358. Hassani, H. Mahmoudvand, R. and Zokaei, M. (2011). Separability and window length in singular spectrum analysis. C. R. Acad. Sci. Paris, Ser. I, 349: 987–990. Hassani, H., and Thomakos, D. (2010). A review on singular spectrum analysis for economic and financial time series, Statistics and Its Interface. 3(3): 377–397. Jamab Consulting Engineers. (2006). Water balance report of Karkheh River basin area: Preliminary analysis, Ministry of Energy, Tehran. Iran. (In Farsi) Jamali, F. S., (2009). An artificial neural network model for Shahcheraghi reservoir inflow forecasting using snow cover area data. MSc. thesis, Irrigation and drainage engineering group, Tehran University, Pakdasht. (In Farsi) Kumaresan, R., and Tufts, D. W. (1980). Data-adaptive principal component signal processing. In Proc. of the 19th IEEE Conf. on Decision and Control, 19: 949–954. Lisi, F. Nicolis, O., and Sandri, M. (1995). Combining singular-spectrum analysis and neural networks for time series forecasting. Neural Processing Letters, 2 (4): 6-10. Marques, C. A. F., Ferreira, J. A., Rocha, A., Castanheira, J. M., Melo-Goncalves, P., Vaz, N., and Dias, J. M. (2006). Singular spectrum analysis and forecasting of hydrological time series. Physics and Chemistry of the Earth, 31:1172–1179. Meidani, E. (2012). Long lead streamflow forecasting using statistical methods: case study of Karoon and Dez rivers. MSc. thesis, Irrigation and reclamation engineering group, Tehran University, Karaj. (In Farsi) Menezes, M. L., Souza, R. C., and Moreira Pessanha, J. F. (2015). Electricity consumption forecasting using singular spectrum analysis, Dyna. rev. fac. nac. minas, 82 (190): 138-146. Sivapragasam, C., Liong, S. Y., and Pasha, M. F. K. (2001). Rainfall and runoff forecasting with SSA-SVM approach. Journal of Hydroinformatics 3 (7): 141-152. Vautard, R., and M. Ghil. (1989). Singular spectrum analysis in nonlinear dynamics, with applications to paleoclimatic time series. Physica D, 35: 395–424. Wu, C. L., Chau, K. W., and Fan, C. (2010). Prediction of rainfall time series using modular artificial neural networks coupled with data-preprocessing techniques. Journal of Hydrology, 389: 146-167. | ||
آمار تعداد مشاهده مقاله: 914 تعداد دریافت فایل اصل مقاله: 772 |