مقایسۀ روش‌های شبکۀ عصبی مصنوعی و سیستم‌فازی در تعیین زمان پیش‌هشدار سیلاب‌ نمونۀ موردی زیرحوزۀ آبخیز رودخانۀ زرد - استان خوزستان

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس ارشد سنجش از دور و GIS، دانشگاه شهید چمران اهواز، ایران

2 دانشیار، مدیر گروه سنجش از دور و GIS، دانشگاه شهید چمران اهواز، ایران

3 استادیار، گروه سنجش از دور و GIS، دانشگاه شهید چمران اهواز، ایران

4 دانشجوی دکتری زمین شناسی آب، کارشناس ارشد مطالعات پایه منابع آب ، سازمان آب و برق خوزستان، اهواز، ایران

چکیده

چکیده

روندیابی سیل یکی از روش‌های پیش‌بینی سیل در رودخانه‌ها به‌منظور مدیریت و مهار سیل است. روابط بارش - روناب و ایجاد سیل در یک منطقه، رابطۀ خطی ریاضیاتی نیست که با آن‌ سیلاب‌خیزی و وقوع سیلاب را در یک منطقه پیش‌بینی کرد و باید به این نوع پدیده‌ها به‌صورت مدل نگریست. روش‌های هوش ‌مصنوعی و از جملۀ آن‌ها روش شبکۀ عصبی ‌مصنوعی و سیستم استنتاج فازی، روش‌هایی مطلوب در این زمینه هستند. در این پژوهش با استفاده از روش‌های شبکۀ عصبی‌ مصنوعی و سیستم استنتاج فازی اقدام به روندیابی سیلاب در زیرحوزۀ آبخیز رودخانۀ زرد شده است. برای اجرای هر دو روش، ابتدا داده‌های لازم جمع‌آوری، سپس داده‌های پرت از سری داده‌ها حذف و درنهایت نرمال‌سازی شدند. مدل‌سازی روندیابی سیل با استفاده از شبکه‌های عصبی مصنوعی با کمک کدنویسی در نرم‌افزار متلب روی داده‌ها اجرا شد. برای اجرای سیستم استنتاج فازی نیز از این داده‌های آماده‌شده استفاده شد. در این پژوهش انواع ساختارهای متفاوت شبکۀ ‌عصبی مصنوعی با تعداد نرون‌ها، لایه‌های مخفی، تعداد دوره‌های آموزش و توابع فعالیت متفاوت بر روی داده‌ها اجرا شدند تا درنهایت بهترین ساختار برای منطقۀ مورد مطالعه به‌دست آید. برای مدل استنتاج فازی نیز انواع ساختارها اجرا شدند تا درنهایت بهترین مدل انتخاب شود. نتایج نشان داد‌ در حالت کلی، سیستم استنتاج فازی داده‌های منطقۀ مورد مطالعه را بهتر شبیه‌سازی می‌کند و نتایج بهتری نسبت به مدل شبکۀ عصبی مصنوعی نشان می‌دهد و مقادیر MSE و r در سیستم استنتاج فازی و مدل شبکۀ عصبی مصنوعی به‌ترتیب برابر با 2196/0 و 0297/0، 7667/0 و 96/0 است که نشان‌دهندۀ دقت بالاتر سیستم استنتاج‌فازی در پیش‌بینی سیلاب در حوزۀ آبخیز مورد مطالعه است.

کلیدواژه‌ها


عنوان مقاله [English]

Comparing Methods of Artificial Neural Network and Fuzzy System in Determining Pre-flooding Warning (Case Study: Zard River Sub-basin- Khuzestan Province)

نویسندگان [English]

  • Behrouz Ebrahimi Heravi 1
  • kazem rangzan 2
  • mostafa kabolizadeh 3
  • hasan daneshian 4
2 univercity chamran ahvaz
3 univercity chamran ahvaz
4 univercity chamran ahvaz
چکیده [English]

Abstract 
One method of flood forecasting and flood control in rivers is ‘flood routing'. The relationship between precipitation and runoff and creating flooding in the region is not linear mathematical relationship which we can predict flooding in one region and such phenomena should be regarded as a model. Artificial intelligence methods such as artificial neural network and fuzzy inference system can be used as a good method in this field. In this study, using artificial neural network and fuzzy inference system, which are two types of the most widely used computational intelligence, we attempt to predict flood in Zard River. For the implementation both methods, first, the necessary data were collected and then wrong data were excluded from the data set and the data have been normalized. Modeling using artificial neural networks using MATLAB software coding was performed on data. To implement, the fuzzy inference system were used from prepared data. In this study, types of artificial neural networks structures with different number of neurons and hidden layers, number of educational courses and different functions have been performed on the data until obtaining the best structure for study area. Fuzzy inference models were implemented until the best model is chosen. Results showed that in general, fuzzy inference system have a better simulate data in the studied area and better and more accurate results than the artificial neural network model is showed. Also, values of MSE and r in fuzzy inference system and artificial neural network is equal to 0.2196, 0.0297, 0.7667 and 0.96 respectively which shows higher accuracy of fuzzy inference system for predicting floods in the our area of the study.

کلیدواژه‌ها [English]

  • Flood routing
  • Zard River Basin
  • Artificial Neural Networks
  • Fuzzy Inference System
  • Normalization
  • Mean Square Error

مقدمه

امروزه در دنیا آب و منابع آب یکی از پایه‌های اصلی توسعۀ پایدار به‌شمار می‌روند. حوزه‌های آبخیز اساسی‌ترین واحدهای طبیعی در مقیاس منطقه‌ای به‌شمار می‌روند (فتحیان و همکاران، 1389:14). یکی از مهم‌ترین ویژگی‌های مدیریت حوزه‌های آبخیز، مدیریت سیل‌هاست. شدت زیان‌های اقتصادی مرتبط با سیل‌ها، نقش مدیریت سیلاب را برجسته می‌کند (فتحیان و همکاران، 1389:14). بررسی تغییرات به‌وجود‌آمده در موج سیلاب در مسیر یک رودخانه، روندیابی سیلاب نامیده می‌شود (حسینی و همکاران، 1380:1). یک سیستم هشدار سیلاب مؤثر که براساس پیش‌بینی رویدادهای سیلابی هشدار می‌دهد، می‌تواند به‌طور اساسی ضررهای ناشی از سیل را کاهش دهد. تأثیرگذاری عوامل مختلف و وجود رابطۀ غیرخطی بین آن‌ها، پیش‌بینی دبی جریان را امری پیچیده می‌کند (امیری و همکاران، 1392:230). پیش‌بینی به‌هنگام و خصوصاً مدت‌زمان پیش‌بینی یک واقعه و اتفاق آن واقعه، مهم‌ترین پارامتر در اجرای موفقیت‌آمیز سیستم‌های هشدار سیلاب است. عواملی مانند ذخیره‌های داخلی حوزه، ذخیرۀ رودخانه‌ای و پس‌زدگی آب و احیاناً تأثیرات امواج و جذر و مد در قسمت‌های متصل به دریا، مواردی هستند که روی پیش‌بینی بهینۀ سیلاب در حوزه‌های بزرگ‌تر تأثیر می‌گذارند. سه پارامتر اصلی در پیش‌بینی سیلاب که باید توجه پیش‌بینی‌کننده را به خود معطوف کند، عبارت از صحت، اعتماد و نیز مسئلۀ زمان (مدت‌زمان بین پیش‌بینی و وقوع حادثه) هستند. در سیستم‌های هشدار سیلاب مسئلۀ زمان عامل بسیار مهم و تعیین‌کننده‌ای است (دستورانی، 1386:30). بررسی‌های انجام‌شده در ایران نشان می‌دهد که افزایش وقوع سیلاب در دهۀ 1370 نسبت به دهۀ 1340 حدود 10 برابر شده است (روغنی، 1391:12). هر‌چند که تحلیل‌های فیزیکی کاملاً پذیرفته‌ شده و بهترین حالت است، ولی به‌دلیل اینکه روابط بارندگی و عوامل موجود‌ رابطه‌ای غیرخطی است و عموماً این روابط از نظر روابط کمّی فیزیکی شناخته شده است، باید این نوع پدیده‌ها را با استفاده از مدل‌های مناسب به‌صورت جعبه سیاه نگریست. روش‌های هوش محاسباتی و از جملۀ آن‌ها روش شبکۀ عصبی مصنوعی و سیستم استنتاج فازی، یکی از مدل‌های مطلوب در این زمینه است (دستورانی، 1386:28). شبکه‌های عصبی مصنوعی، ابزار محاسباتی قوی و توانمندی هستند که در ساماندهی و ایجاد رابطه بین اطلاعات گوناگون نیز قابلیت بسیار خوبی داشته‌اند. به‌طور کلی، سیستم‌های شبکۀ عصبی مصنوعی در برخورد با مسائلی از قبیل شناسایی‌سیستم[1]، تقریب‌تابع[2]، بهینه‌سازی[3] و پیش‌بینی هدف[4] نتایج موفقیت‌آمیزی داشته‌اند (ولی و همکاران، 1390:22). سیستم شبکه‌های عصبی مصنوعی با تکیه بر داده‌ها و قابلیت انعطاف‌پذیری بالا با برقراری اوزان مختلف به ارتباطات عصبی در جریان فرآیند یادگیری قادر به پاسخگویی مسائل مبهم و پیچیده است؛ به‌خصوص مسائلی که به سادگی با روابط ریاضی قابل بیان نیستند (امیری و همکاران، 1392:234). مهم‌ترین دلیل استفاده از روش شبکۀ عصبی مصنوعی برای مدل‌سازی فرآیندهای هیدرولوژی، قدرت بالای آن در برقراری روابط غیرخطی بین متغیرهای ورودی و خروجی است (فیض‌نیا و همکاران، 1386:1200). علاوه بر آن میزان خطای روش شبکۀ عصبی مصنوعی در حد قابل قبولی است که به‌همین دلیل، استفاده از این روش‌ در روندیابی سیلاب رودخانه‌هایی که با کمبود آمار روبه‌رو هستند، پیشنهاد می‌شود (اجدادی و پورغفاری، 1387:8). براساس تئوری مجموعه فازی[5]، منطق فازی در بسیاری از زمینه‌هایی که روابط تجربی به‌خوبی تعریف نشده‌اند و یا برای مدل‌سازی غیرعملی و نشدنی هستند، به‌کار می‌رود (استیوبر و همکاران، 2000:5). منطق فازی در مقایسه با بیشتر مدل‌های آماری مفیدتر است و عملکرد سیستم خبره‌فازی[6] وابسته به حجم داده‌های پیشین را ندارد. از آنجا‌ که این سیستم‌های خبره نتایج را براساس قوانین زبانی منطقی تولید می‌کنند، داده‌های انتهایی (بیش از حد بزرگ) در مجموعه داده‌ها، تأثیر بی‌جهتی بر روی این مدل نمی‌گذارد. به‌‌دلیل همین ویژگی، منطق‌فازی ممکن است‌ برای پیش‌بینی سیلاب مفیدتر از روش‌های مدل‌سازی رگرسیونی باشد (استیوبر و همکاران، 2000:7).

 

پیشینۀ پژوهش

رضایی و همکاران (1386) با استفاده از شبکه عصبی مصنوعی از نوع تغذیه روبه‌جلو و روش آموزش پس‌انتشار خطا به مدل‌سازی دبی‌های اوج حوزۀ آبخیز سفیدرود پرداختند. ساختمان شبکۀ مورد استفاده در این پژوهش شامل یک لایۀ ورودی، دو لایۀ مخفی با توابع انتقال لاگ‌سیگموئید[7] و تان‌سیگموئید[8] و یک لایۀ خروجی با تابع ‌انتقال‌خطی[9] بود. درنهایت نتیجه گرفتند که روش شبکه‌عصبی نسبت به روش‌های سنتی مدل‌سازی دارای ارجحیت کامل است. امیری و همکاران با استفاده از روش شبکه‌عصبی تکاملی به روندیابی سیل در رودخانۀ مارون پرداختند و با استفاده از الگوریتم ژنتیک ساختار مدل‌های شبکه‌عصبی مصنوعی از نظر تعداد لایه، تعداد گره در لایۀ پنهان، نوع تابع انتقال و الگوریتم یادگیری شبکه بهینه شد. نتایج نشان داد‌ روش شبکه‌عصبی مودولار مورد استفاده در این پژوهش نسبت به مدل‌های آماری و مدل‌های دیگر شبکه‌های عصبی مصنوعی، توانایی و دقت بیشتری در پیش‌بینی و رودنیابی سیلاب در رودخانۀ مارون دارد. حسینی و همکاران (1380) به شناسایی توانایی‌های شبکۀ عصبی مصنوعی در زمینۀ روندیابی سیلاب و ارائۀ روشی که در مقایسه با روش‌های متعارف روندیابی متمرکز سیلاب از دقت بیشتری برخوردار است، پرداختند. نتایج نشان داد شبکۀ عصبی پرسپترون سه‌لایه با دو سلول در لایۀ پنهان و تابع فعالیت سیگموئید،‌ به نتایج خوبی در زمینۀ روندیابی سیلاب منجر می‌شود. کارونانیتی و همکاران[10] (1994)‌ به پیش‌بینی جریان رودخانه با مدل‌های شبکه‌عصبی مصنوعی پرداخت و دو ساختار متفاوت از شبکه‌عصبی مصنوعی برای پیش‌بینی وضعیت جریان رودخانه با استفاده از داده‌های بارش را‌ استفاده کرد. نتایج نشان داد‌ روش شبکه‌ عصبی مصنوعی در مقایسه با روش‌های موجود نتایج بهتری دارد. ادلوی و موناری1 (2006) برای مدل‌سازی ذخیره – عملکرد - قابلیت اعتماد حوزۀ آبخیز مورد نظر از شبکه عصبی پرسپترون چندلایه پس‌انتشار خطا با الگوریتم Levenberg–Marquardt استفاده کرد. تابع فعالیت لایه مخفی تانژانت هایپربولیک سیگموئیدی و تابع فعالیت لایۀ خروجی تابع خطی بود. تابع سیگموئیدی زمانی که متقارن باشد، نسبت به زمانی که نامتقارن باشد، سرعت یادگیری بالاتری می‌تواند داشته باشد. در این پژوهش درصد داده‌های آموزشی، آزمایشی و اعتبارسنجی به‌ترتیب شامل 50، 25 و 25 درصد است (ادلوی و موناری، 2006:227). گومن2 و همکاران (2011) از الگوریتم پس‌انتشار خطا با تابع فعالیت غیرخطی سیگموئیدی برای مدل‌سازی خود استفاده کردند. هر‌چند که Rumelhart و McClelland برای بیشتر پژوهش‌های مربوط به هیدرولوژی تابع فعالیت‌ غیرخطی سیگموئیدی را پیشنهاد کردند (گومن و همکاران، 2011:347).

 

مواد و روش‌ها

مراحل انجام پژوهش حاضر در شکل (1) نمایش داده شده است.


 

شکل 1. فلوچارت مراحل انجام پژوهش

 

 

در ابتدا داده‌های لازم برای انجام پژوهش از سازمان آب و برق خوزستان جمع‌آوری شدند. داده‌های ‌استفاده‌شده در هر دو مدل شامل داده‌های روزانۀ بارش ایستگاه باغملک، داده‌های دبی‌پایه ایستگاه هیدرومتری ماشین و داده‌های دبی‌سیلاب ایستگاه ماشین، به‌مدت حدود 39 سال، از سال 1349 تا دی‌ماه 1388 به‌تعداد حدود 14100 داده‌ است. ایستگاه هیدرومتری نامبرده از سال 1349 شروع به داده‌برداری کرده است. همچنین در زیرحوزۀ آبخیز رودخانۀ زرد که هدف بررسی این پژوهش بوده است، در دی‌ماه 1388 سد مخزنی جره به بهره‌برداری رسیده است، کما اینکه ایستگاه هیدرومتری ماشین در پایین‌دست این سد قرار دارد و از لحاظ هیدرولوژیکی استفاده از داده‌های این ایستگاه برای کارهای پیش‌بینی سیلاب بعد از احداث این سد درست و منطقی نیست، زیرا وقوع سیلاب در پایین‌دست سدها بستگی به وقوع بارش و سایر پدیده‌های هواشناسی و به وقوع بارش و سایر پدیده‌های هواشناسی و هیدرولوژیکی ندارد و تنها به باز‌بودن دریچۀ سدها

 

1 Adeloye & Munari

2 Ghumman

بستگی دارد. بر اساس این دلایل لازم است‌ داده‌های مورداستفاده را به تاریخ قبل از آبگیری سدها موکول کرد. برای اجرای هر دو روش لازم است داده‌ها آماده‌سازی شوند. فرآیند آماده‌سازی داده‌ها شامل حذف داده‌های پرت و درنهایت نرمال‌سازی داده‌ها بود. فرآیند حذف داده‌های پرت با ترسیم هیدروگراف‌ها انجام شد، بدین‌صورت که داده‌هایی که به هر دلیلی خارج از روند کلی بارش - رواناب بودند، حذف شدند. بدین‌منظور، برای اجرای مدل‌های شبکه‌عصبی مصنوعی و مدل استنتاج فازی فقط از دبی‌های با منشاء بارش استفاده شد تا بدین طریق دقت روش بالاتر رود.‌ علاوه بر آن واردکردن اطلاعات آماری سیلاب‌های نادر با میزان دبی‌های بالا باعث ازدیاد خطای این روش خواهد شد (اجدادی و پورغفاری، 1387:8). هم‌چنین حذف داده‌های اشتباه موجب حذف جریان‌های کمّی نیز می‌شود که ایجاد سیل نکرده‌اند (استوبر و همکاران، 2000:7). درنهایت حدود 11000 داده بعد از مرحلۀ حذف داده‌های پرت موجود بودند. به‌دلیل ماهیت نوسانی عوامل آب ‌و هوایی و هیدرولوژیکی، حذف داده‌های پرت به روشی غیر از روش اجرا‌شده، اشتباه بوده است و در این صورت ماهیت نوسانی بارش و در پی آن دبی رودخانه نادیده گرفته می‌شود (رضایی و همکاران، 1386:38). در مرحلۀ بعد لازم بود‌ داده‌ها نرمال‌سازی (یکسان‌کردن ارزش داده‌ها برای شبکه) شوند؛ این فرآیند به‌شیوه‌های مختلف از جمله گرفتن لگاریتم، تقسیم داده‌ها به بیشینۀ خود و محاسبۀ شاخص باقیمانده استیودنت (ولی و همکاران، 1390:25) انجام می‌گیرد. در این پژوهش از رابطۀ 1 برای نرمال‌سازی داده‌ها استفاده شد:

رابطۀ 1

XN =

که در آن XN داده نرمال‌شده، Xmax داده بیشینه، Xi داده موردنظر و Xmin داده کمینه است (فیض‌نیا و همکاران، 1386:1206)‌. با استفاده از این فرمول دامنه مقادیر اعداد بین صفر و یک قرار می‌گیرد. به‌ این‌صورت که کوچک‌ترین عدد ارزش صفر و بزرگ‌ترین عدد ارزش برابر با یک را خواهد گرفت. تابع تبدیل سیگموئید در محدودۀ بین 0 و 1 دبی مناسبی دارد (فتحیان و همکاران، 1389:16).


جدول 1. مشخصات خام داده‌های مورد استفاده در این پژوهش

میانگین دبی سیلاب نرمال‌شده

میانگین دبی پایه نرمال‌شده

بارش نرمال‌شده

میانگین دبی سیلاب

میانگین دبی پایه

بارش

 

0145/0

0229/0

0139/0

259/11

21/10

798/1

میانگین

00117/0

00179/0

00334/0

51/685

53/345

548/55

واریانس

0342/0

0423/0

0578/0

182/26

589/18

453/7

انحراف‌معیار

 

 

 

منطقۀ موردمطالعه

منطقۀ موردمطالعه زیرحوزۀ آبخیز رودخانۀ زرد است که در بخش شرقی استان خوزستان قرار دارد. استان خوزستان به‌دلیل موقعیت خاص جغرافیایی مانند نزدیکی به خلیج‌فارس و پایین‌بودن عرض جغرافیایی آن نسبت به دیگر مناطق کشور،‌ اقلیم ویژه‌ای دارد. همچنین با حرکت از جنوب‌غرب استان به شمال‌شرق، با افزایش ارتفاع، دما کاهش می‌یابد که با افزایش ارتفاع به‌میزان یک کیلومتر، میانگین دما حدود 123/5 درجه سانتی‌گراد و میانگین حداقل دما حدود 914/5 درجه سانتی‌گراد و میانگین حداکثر دما حدود 282/4 درجه سانتی‌گراد کاهش می‌یابد (طرح آمایش استان خوزستان، 1385). در استان خوزستان ضریب تغییرات و انحراف‌معیار دما در ماه‌های سرد سال بیش از ماه‌های گرم است که نشان‌دهندۀ ثبات و پایداری دمای هوا در تابستان نسبت به زمستان است. با توجه به موارد بالا حوزۀ موردمطالعه دارای آب‌ و هوای متعادل‌تر و دمای کمتری نسبت به مناطق مرکزی و جنوبی این استان است. شکل (2) نقشۀ ایران و موقعیت حوزۀ آبخیز رود زرد را نشان می‌دهد.


 

شکل 2. نقشۀ ایران و موقعیت حوزۀ آبخیز رودخانۀ زرد

 

 

حوزۀ آبخیز رودخانۀ زرد با مساحت 875 کیلومتر مربع در شمال‌شرق و شرق شهرستان رامهرمز و شرق استان خوزستان، بین مختصات '39 °49 تا '10 °50 طول جغرافیایی و '21 °31 تا '41 °31 عرض جغرافیایی واقع شده است (فیض‌نیا و همکاران، 1386:1202). رودخانۀ زرد یکی از شاخه‌های مهم رودخانۀ الله بوده و با شبکۀ رودخانه‌ای متراکم در بخش باغملک از شهرستان ایذه واقع شده است. شاخۀ‌ اصلی و اولیۀ آن ابوالعباس نامیده می‌شود و از دامنه‌های شرقی سفیدکوه و کوه منگشت با ارتفاع 3312 متر که در شرق حوزه قرار دارد، سرچشمه می‌گیرد و در بستری کوهستانی و از میان دره‌های تنگ و باریک ابتدا به شمال‌ غربی جریان می‌یابد و در روستای تنگ‌کوره‌ پس از تلاقی با شاخه‌ای که از دره‌ای به‌همین نام جاری است، به جنوب‌ غربی تغییر مسیر می‌دهد. این رودخانه در مسیر، روستاهای مال‌آقا، رباط ابوالعباس، زولاب و سنگ را سیراب می‌کند و وارد منطقۀ باغملک می‌شود و در ادامه این رودخانه با رودخانه‌های دم‌آب منگیان، آب‌گلال، آل‌خورشید و دمدلی ترکیب می‌شود و رودخانۀ زرد را تشکیل می‌دهد. رودخانۀ زرد سپس به جنوب‌ غربی جریان می‌یابد و روستاهای رود زرد کارفی، رود زرد سادات، کریم و جره را مشروب می‌کند و در نزدیکی روستای رود ‌زرد با رودخانه اعلا تلاقی می‌کند و رودخانۀ الله را تشکیل می‌دهد. از این نقطه به‌سمت جنوب جریان می‌یابد و پس از تلاقی با رودخانۀ تلخ وارد دشت رامهرمز می‌شود و پس از پیوستن به رودخانۀ مارون، جراحی را که یکی از پرآب‌ترین رودخانه‌های استان خوزستان است،‌ تشکیل می‌دهد (روانروی، 1392:19).

حوزۀ رود ‌زرد دارای منطقه‌ای کوهستانی و کوهپایه‌ای است که از شرق به غرب از ارتفاعات آن کاسته می‌شود. در واقع این حوزه در دامنه‌های غربی رشته‌کوه عظیم زاگرس قرار می‌گیرد که اولین دیواره‌های تلاقی با توده‌های هوای مرطوب و جبهه‌های بارانی وارد‌شده به منطقه است (فرهادی و اورک، 1392:2). حوزۀ آبخیز رودخانۀ زرد از 6 زیرحوزۀ فرعی تشکیل شده است. رواناب زیرحوزه‌های آب‌گلال به‌همراه رواناب چهار زیرحوزۀ آل‌خورشید، ابوالعبارس، دمدلی و تلخ‌رود از طریق رودخانۀ اصلی به‌نام رود زرد جمع‌آوری می‌شود (نشاط و صدقی، 1385:792). شکل (3) زیرحوزه‌های حوزۀ آبخیز رودخانۀ زرد را نشان می‌دهد. لازم به ‌ذکر است که در این پژوهش فقط زیرحوزۀ آبخیز رود‌ زرد مطالعه شده است که در این شکل به رنگ آبی نمایش داده شده است.


 

شکل 3. زیرحوزه‌های حوزۀ آبخیز رودخانۀ زرد و موقعیت آن‌ها

 

 

حوزۀ آبخیز مورد مطالعه از نوع حوزۀ باز است و محل ایستگاه هیدرومتری ماشین با محل خروجی رودخانه از حوزه یا همان نقطۀ تمرکز حوزه یکی است. کلیۀ اندازه‌گیری‌ها و تهیۀ آمار و اطلاعات هیدرومتری حوزۀ زودخانۀ زرد در ایستگاه آبسنجی ماشین و جوکنک صورت می‌گیرد (روانروی، 1392:22). این دو ایستگاه هیدرومتری مجهز به باران‌سنج ثبات، طشتک تبخیر کلاس A، تجهیزات اندازه‌گیری درجه‌حرارت و سرعت باد است. ایستگاه هواشناسی باغملک در محل خروجی زیرحوزۀ آب‌گلال قرار دارد و در ارتفاع 675 متری از سطح دریا واقع شده است (نشاط و صدقی، 1385:792).


 

شکل 4. نقشۀ رودهای حوزه‌های آبخیز رودخانۀ زرد

 

یکی از عوامل بسیار مهم در ایجاد سیلاب، بالا‌بودن عمق رواناب در سطح حوزۀ آبخیز است. عمق رواناب خود نیز تابعی از مقدار و شدت بارندگی و میزان تلفات در سطح حوزۀ آبخیز است (رضایی و همکاران، 1386:27). میزان تلفات بارش بستگی به عوامل بسیار از جمله جنس خاک، شیب زمین، پوشش گیاهی و سایر پارامترها دارد. بنابراین، برای ایجاد سیلاب و سیلاب‌خیزی یک ناحیه، عوامل محیطی و جغرافیایی متعددی همانند پوشش گیاهی، جنس و تخلخل خاک، توپوگرافی زمین، شیب زمین، نفوذپذیری زمین، طول و شیب آبراهۀ اصلی، میزان بارش، میران دبی پایه و... دخیل هستند. با مشاهدۀ عوامل بالا، پی می‌بریم تمام عوامل بالا بجز عوامل بارش و دبی پایه در طول سال، دچار تغییر بسیار کمی می‌شوند که اندازه‌گیری آن تغییرات زمان‌بر و طولانی و هزینه‌بر است و این تغییرات بسیار کم باعث تغییر بسیار کمی در دبی سیلاب و سیلاب‌خیزی یک ناحیه می‌شود. پس می‌توان از عوامل ثابت بالا به‌منظور روندیابی سیلاب چشم‌پوشی کرد و تنها عوامل دارای تغییر (بارش و دبی پایه) را در مدل‌های شبکه عصبی مصنوعی و استنتاج فازی وارد نمود. بر این اساس، در این پژوهش نیز از پارامترهای بارش و دبی پایه به‌منظور برآورد و روندیابی دبی سیلاب استفاده شده است. شکل‌های (5) و (6) نقشه‌های پوشش گیاهی و خاک حوزۀ آبخیز رود زرد را نمایش می‌دهد.


 

   

شکل 5. نقشۀ پوشش گیاهی حوزۀ آبخیز رود زرد

شکل 6. نقشۀ خاک حوزۀ آبخیز رود زرد

 

 

مشخصات فیزیوگرافی حوزۀ رودخانۀ زرد

جدول 2. پارامترهای ژئومرفولوژیکی و هیدرولوژیکی زیرحوزه‌های آبخیز حوزۀ رودخانۀ زرد

نام زیرحوزه

مساحت

(کیلومتر مربع)

محیط (کیلومتر)

طول آبراهه (کیلومتر)

طول آبراهه اصلی (کیلومتر)

ارتفاع حداکثر (متر)

متوسط ارتفاع (متر)

ارتفاع حداقل (متر)

طول حوزه (کیلومتر)

عرض حوزه (کیلومتر)

رود زرد

228

77

50

33

1063

704

340

20

11

تلخ رود

60

35

9

9

1231

943

662

10

6

ابوالعباس

301

82

62

34

3298

1980

668

25

12

آب گلال

149

69

37

30

2970

1800

647

25

6

آل خورشید

69

38

11

11

1229

938

647

13

6

دمدلی

69

47

19

19

1309

955

605

20

3

 

جدول 3. پارامترهای ژئومرفولوژیکی و هیدرولوژیکی زیرحوزه‌های آبخیز حوزۀ رودخانۀ زرد (منبع: علیزاده، 1387)

نام زیرحوزه

میانگین شیب

فاکتور شکل

فاکتور فرم

ضریب فشردگی (گراویلیوس)

نسبت دایره‌ای

نسبت کشیدگی

زمان تمرکز (دقیقه)،

معادلۀ کرپیچ

رود زرد

67/8

3/2

43/0

43/0

49/0

74/0

260

تلخ‌رود

82/7

93/1

52/0

23/1

66/0

81/0

60

ابوالعباس

32/21

24/2

44/0

33/1

56/0

75/0

160

آب‌گلال

15/15

14/4

24/0

56/1

42/0

56/0

150

آل‌خورشید

88/7

59/2

38/0

25/1

64/0

7/0

80

دمدلی

59/14

68/5

18/0

57/1

41/0

48/0

140

 


شبکۀ عصبی مصنوعی[11]

شبکه‌های عصبی را می‌توان با اغماض زیاد، مدل‌های الکترونیکی از ساختار عصبی مغز انسان دانست. ساختار کلی مدل‌های شبکه عصبی مصنوعی از سه لایه تشکیل شده است: 1- لایۀ ورودی: در این لایه اطلاعات ورودی به مدل معرفی می‌شود؛ 2- لایه و یا لایه‌های مخفی (میانی): در این لایه اطلاعات پردازش می‌شوند؛ 3- لایۀ خروجی: نتایج حاصل از عملکرد مدل تولید می‌شوند (میثاقی و محمدی، 1383:3). در حالت کلی شبکه‌های عصبی به دو گروه نظارت‌شده[12] و نظارت‌نشده[13] طبقه‌بندی می‌شوند. در آموزش بدون‌ نظارت پارامترهای شبکه عصبی به‌وسیلۀ خود سیستم تنظیم می‌شوند، درحالی‌که در نوع نظارت‌شده لازم است مجموعه‌ای از داده‌ها و نتایج و یا پاسخ مربوط به آن‌ها به شبکه ‌عصبی عرضه شود، داده‌های ورودی در نوع نظارت‌شده شامل داده‌های آموزشی، آزمایشی و اعتبارسنجی هستند. داده‌های آموزشی داده‌هایی‌ هستند که از آن‌ها برای به‌دست‌آوردن وزن‌های بهینه استفاده می‌شود، همچنین داده‌های آزمون، داده‌هایی‌ هستند که برای به‌دست‌آوردن میزان خطا و کارایی شبکه وارد سیستم می‌شود. داده‌های اعتبارسنجی برای جلوگیری از آموزش کاذب و بیش‌ازحد مدل[14] که اغلب باعث عدم‌یادگیری مناسب فرآیند به‌وسیلۀ مدل می‌شود، به‌کار می‌رود. این داده‌ها ملاک ارزیابی کارایی مدل‌هاست (دستورانی، 1386:31). سلول‌های شبکه عصبی مصنوعی بسته به نوع مدل، به‌ترتیب خاصی با یکدیگر ارتباط دارند. یکی از این مدل‌ها، شبکۀ پرسپترون چندلایه است که در آن سلول‌های عصبی در لایه‌های موازی قرار دارند. میزان اثرگذاری یک سلول بر سلول مجاور را پارامتری تعیین می‌کند که اصطلاحاً وزن نامیده می‌شود (حسینی و همکاران، 1380:3). در شبکۀ پرسپترون چندلایه اتصال گره‌ها فقط از جزء i به جزء i+1 برقرار است و در جهت عکس وجود ندارد (پیشخور[15]) (دستورانی، 1386:32). در شبکه‌های عصبی ارتباط میان نرون‌ها و تنظیم وزن‌ها در آن از قانون یادگیری[16] پیروی می‌کند. یکی از متداول‌ترین الگوریتم‌های یادگیری شبکه‌های عصبی، الگوریتم پس‌انتشار خطا[17] است که به‌ویژه در بررسی‌های هیدرولوژی کاربرد زیادی دارد. در این روش ابتدا وزن‌های تصادفی به هر نرون داده شده است و بر پایۀ آن‌ها خروجی محاسبه می‌شود. سپس بر پایۀ اختلاف میان خروجی به‌دست آمده و خروجی واقعی، وزن‌ها به‌سمت عقب (از خروجی به‌سمت ورودی) تنظیم می‌شود. عمل تنظیم وزن‌ها طی فرآیند یادگیری آنقدر تکرار می‌شود تا یکی از عامل‌های محدودکنندۀ چرخه به‌دست آید. از جمله این عامل‌ها می‌توان به بیشینۀ تعداد تکرار، کمینۀ خطای مطلوب و بیشینۀ زمان یادگیری اشاره کرد (فیض‌نیا و همکاران، 1386:1204).

 

توابع فعالیت در شبکه‌عصبی مصنوعی

توابع فعالیت‌ استفاده‌شده در این پژوهش بدین شرح است: تابع خطی[18] که خروجی این تابع دقیقاً با مقداری که به آن وارد می‌شود، یکسان است و همان مقدار ورودی را به خروجی ارسال می‌کند. تابع لوگسیگموئید[19] (سیگموئید) که خروجی این تابع مقادیری بین 0 تا 1 است و یکی از پرکاربردترین توابع انتقالی در شبکه‌های با الگوریتم پس‌انتشارخطا است. تابع تانسیگموئید[20]نیز همانند تابع سیگموئید است با این تفاوت که خروجی این تابع بین مقادیر 1- تا 1+ است. تابع اشباع خطی[21] بین محدوده 1- تا 1+ همانند تابع خطی است و مقادیر بزرگ‌تر مساوی 1+ را خروجی برابر با 1+ می‌دهد و مقادیر کوچک‌تر مساوی 1- را خروجی برابر با 1- می‌دهد. شکل (7) نمودار توابع مذکور را نمایش می‌دهد.


 

شکل 7. نمودار توابع فعالیت در شبکه‌عصبی مصنوعی (الف- تابع‌تان‌سیگموئید، ب- تابع لوگ‌سیگموئید،

ج- تابع اشباع خطی، د- تابع خطی)

 


سیستم استنتاج فازی1

پایه و اساس مجموعه‌ها و منطق فازی را پرفسور لطفی‌زاده استاد ایرانی مطرح کرد. منطق فازی در واقع با استفاده از مجموعه‌ای از معلومات نادقیق که با الفاظ و جملات زبانی تعریف شده‌اند، به‌دنبال استخراج نتایج دقیق است. میزان عضویت اعضا در مجموعه‌های فازی را با عددی بین صفر و یک نشان می‌دهند‌ که درجه تعلق نامیده می‌شود. تابعی که این عدد را تعیین می‌کند، تابع عضویت نام دارد (بختیاری و همکاران، 1391:6). از‌جمله توابع مرسوم می‌توان به توابع عضویت مثلثی2، ذوزنقهای3، سیگموئید4، گوسی5 و ... اشاره کرد. در این پژوهش از توابع عضویت مثلثی و ذوزنقه‌ای استفاده شده است. تابع عضویت عدد فازی مثلثی و ذوزنقه‌ای در شکل (8) نمایش داده شده است.

 

 

شکل 8. تابع عضویت عدد ذوزنقه‌ای و مثلثی فازی ()

 

 

مراحل ایجاد سیستم استنتاج فازی فازی شامل:
1- تبدیل تمام پارامترها (پارامترهای متغیرهای ورودی و خروجی) از حالت توصیف زبانی (مانند کم، متوسط و زیاد) به‌مقدار متناظر با آن و انتصاب یک تابع

 

 

4 Sigmoidal

5 Gaussian

 

1 Fuzzy Interface System (FIS)

2 Triangular

3 Trapezoidal

 

عضویت برای تمام پارامترها. 2- تعریف قوانین[22]، که در آن ارتباط توابع عضویت پارامترهای متغیرهای ورودی را با پارامترهای متغیرهای خروجی بیان می‌کند که به‌طور معمول به‌صورت زنجیره‌ای از عبارت اگر- آنگاه (IF- THEN) است. 3- قوانین ایجاد‌شده در مرحلۀ قبل از نظر ریاضیاتی‌ آزمون‌ و نتایج آن‌ها ترکیب می‌شود. هر قانون از طریق فرآیندی‌ ارزیابی می‌شود که به آن استنباط[23] گفته می‌شود و نتایج هر قانون از طریق فرآیندی ترکیب می‌شود که به آن اجتماع[24] می‌گویند‌. 4- نتایج مراحل قبل از طریق فرآیندی که غیرفازی‌سازی[25] می‌گویند، به‌صورت عدد قطعی[26] نمایش داده می‌شود. اگر مدل طراحی‌شده دارای m متغیر ورودی و n تابع عضویت باشد، در این صورت به تعریف nmقانون برای تمام شرایط نیاز است (مهابیر و همکاران، 2003:3754).

هر قاعده فازی دارای دو بخش مقدمه و نتیجه است؛ در قسمت مقدمه اجزاء با کمک عملگرهایی مثل AND و OR به هم مربوط می‌شوند (که در این پژوهش از عملگر AND استفاده شد). در استنتاج فازی، خروجی با توجه به تابع عضویت تعیین‌شده و برآورد قواعد و محاسبه نتیجه فازی به‌دست می‌آید. برای استدلال و استنتاج ترکیب منطقی، از خروجی‌های قواعد «اگر ... آنگاه» استفاده می‌شود. عموماً چهار روش غیرفازی‌سازی وجود دارد که عبارت‌اند از: مرکز ثقل ناحیه، میانگین بیشینه، کوچکترین ببیشینهکننده و نیمساز ناحیه، که در این مطالعه از مرکز ثقل ناحیه استفاده شده است (بختیاری و همکاران، 1391: 8). برای ارزیابی نتایح عملکرد مدل‌های طراحی‌شده در هر دو روش شبکه عصبی مصنوعی و سیستم استنتاج فازی، از مجذور میانگین مربعات خطا[27] (MSE) و ضریب تعیین[28] بین بردار مشاهده‌شده و بردار پیش‌بینی‌شده بهره‌گیری شده است (ولی و همکاران، 1390:27).

رابطۀ 2

 

که در آن، P تعداد خروجی عناصر پردازش‌شده، N تعداد نمونه‌ها در مجموعه داده‌ها، yijخروجی شبکه برای نمونه i در عنصر پردازش‌شده j، dijخروجی موردنظر برای نمونه i در عنصر پردازش‌شده j است. MSE اختلاف بین مقدار مشاهده‌شده و مقادیر محاسبه‌شده را نشان می‌دهد. کمترین مقدار MSE بالاترین صحت پیشگویی را بیان می‌کند. همچنین مقدار r نشان‌‌دهندۀ میزان بازده شبکه است که به‌صورت زیر محاسبه می‌شود:

رابطۀ 3

 

که xi خروجی شبکه، diخروجی مورد نظر،  میانگین خروجی شبکه و  میانگین خروجی موردنظر است. بهترین پاسخ برای مدل هنگامی ایجاد خواهد شد که r و MSE به‌ترتیب به یک و صفر میل کند (امیری و همکاران، 1392:236). اگر ضریب همبستگی به توان دو برسد، شاخصی به نام ضریب تعیین را ارائه خواهد کرد که مفهوم آشکارتری خواهد داشت. ضریب‌ تعیین نسبت تغییری است که دو متغیر با هم انجام می‌دهند و چنانچه در 100 ضرب شود، به‌صورت درصد بیان می‌شود (فرهادی و اورک، 1392:5).

مدل‌سازی با استفاده از شبکه عصبی مصنوعی.

پس از انتخاب ساختار کلی شبکه عصبی و متغیرهای ورودی و خروجی آن، لازم است مقدار بایاس[29] و نوع تابع فعالیت مورد استفاده در هر سلول، ‌بررسی شود و بهترین حالت برای مسئلۀ مورد مطالعه به­دست آید. آموزش دیدن شبکه‌های عصبی در واقع چیزی جز تنظیم وزن‌های ارتباطی این نرون‌ها به ازای دریافت مثال‌های مختلف نیست تا خروجی شبکه به‌سمت خروجی مطلوب همگرا شود. برای استفاده از شبکۀ عصبی مصنوعی باید بیشترین و کمترین عدد در قسمت آموزش قرار داشته باشد (مندز و همکاران، 2004:47). شبکه ‌عصبی مصنوعی در این پژوهش با استفاده از کد نوشته‌شده در نرم‌افزار MATLAB[30] با الگوریتم یادگیری پس‌انتشار خطا، ایجاد شد. مهم‌ترین مسئله در ساخت شبکه تعداد لایه‌ها و نرون‌ها در هر لایه است. به‌طور اصولی، تعداد نرون‌ها در لایۀ اول برابر با ورودی‌ها و در لایۀ خروجی برابر با تعداد خروجی‌هاست. در هیدرولوژی با توجه به‌وجود به‌هم‌خوردگی و پراکندگی در داده‌ها و انعطاف‌پذیری شبکه‌ عصبی پیشخور با دو لایۀ مخفی، به‌طور معمول شروع پردازش داده‌ها با دو لایۀ مخفی آغاز می‌شود (رضایی و همکاران، 1386:37). برای تعیین تعداد گره‌های لایۀ پنهان از رابطۀ تجربی زیر استفاده می‌شود:

رابطۀ 4

NH ≤ 2NI +1

در حالی‌که NHتعداد گره‌های لایۀ مخفی، NIتعداد گره‌های لایه ورودی است (فتحیان و همکاران، 1389:19). از طرف دیگر بر طبق نظریه Kolmogorov حداقل تعدا گره‌ها در لایۀ مخفی باید 2n+1 است (n برابر با تعداد گره‌ها در لایۀ ورودی) (فنگ و لو، 2010:2976). ساختار شبکه عصبی، ورودی‌های اعمال‌شده، تعداد لایه‌های مخفی، تعداد نرون‌های لایه‌ها، نحوۀ آموزش و تعداد بردارهای خروجی شبکه در ارزیابی عملکرد مدل مؤثر است (ولی و همکاران، 1390:27). بر این اساس سعی شد در اجرای شبکه‌ عصبی تعداد نرون‌های مختلف، تعداد لایه‌های میانی متفاوت و انواع توابع فعالیت بررسی‌ و درنهایت خروجی‌های مطلوب ارائه شود. برای مشخص‌شدن میزان تأثیر وردی‌ها بر خروجی، از روش تحلیل حساسیت استفاده می‌کنند. این روش برای مشخص‌کردن آن است که خروجی در شبکۀ مورد‌نظر نسبت به کدام‌یک از ورودی‌ها دارای حساسیت بیشتری است. با روش‌های حساسیت‌سنجی، امکان رده‌بندی قاطع و مستقل اثر متغیرها بر روی عامل خروجی (دبی‌سیلاب) وجود ندارد (رضایی و همکاران، 1386:37).

مدل‌سازی با استفاده از سیستم‌ استنتاج‌ فازی.

اجرای مدل فازی با استفاده از جعبه‌ابزاز فازی در نرم‌افزار MATLAB انجام شد. برای اجرای مدل فازی بعد از آماده‌سازی داده‌ها لازم بود نوع و تعداد توابع ‌عضویت، روش AND (که در این پژوهش از آن استفاده شد)، روش استنباط، روش اجتماع و روش غیرفازی‌سازی معلوم شوند. در این پژوهش با استفاده از تمام داده‌ها ترکیبی از روش‌های موجود در جعبه‌ابزار فازی موجود در نرم‌افزار MATLAB، اجرا شد تا درنهایت بهترین نتیجه مشخص شود. لازم به ذکر است‌ اجرای سیستم استنتاج فازی‌ در این پژوهش همانند مدل شبکه عصبی مصنوعی اجرا‌شده، دارای 2 پارامتر ورودی (بارش و دبی‌پایه) و یک پارامتر خروجی (دبی‌سیلاب) است. یکی از مهم‌ترین بخش‌ها در اجرای مدل فازی، تعیین تابع عضویت و نوع آن است که مهم‌ترین و پرکاربردترین آن‌ها، توابع عضویت مثلثی و ذوزنقه‌ا‌ی است که در این پژوهش از هر دوی آنها استفاده شد. برای تعیین بازه هر تابع‌ عضویت لازم است محدودۀ عددی آن‌ها به نرم‌افزار معرفی شوند که مثلاً در تابع ‌عضویت مثلثی باید 3 عدد و در تابع‌عضویت ذوزنقه‌ای باید 4 عدد به نرم‌افزار معرفی شود. انتخاب این اعداد براساس آزمون و خطا و هم‌چنین استفاده از چارک1 داده‌ها بود (مهابیر و همکاران، 2003:3755). در زمان استفاده از چارک‌داده‌ها، اعداد اول و سوم تابع ­عضویت مثلثی را به‌ترتیب برابر با چارک اول و سوم، و عدد دوم در این تابع را برابر با چارک دوم (میانه) قرار داده شدند. تعریف قوانین سیستم ‌استنتاج ‌فازی در حالت کلی از روال اگر - آنگاه پیروی می‌کند، هم‌چنین تعداد قوانین نیز بستگی به تعداد متغیرهای زبانی استفاده‌شده دارد و در حالت کلی حداکثر تعداد قوانین ایجاد‌شده به‌صورت ضرب تعداد متغیر زبانی انتخاب‌شده دارد، به‌عبارت دیگر زمانی که از 3 متغیر زبانی (به‌طور مثال کم، متوسط و زیاد) در تمام پارامترها که شامل 3 پارامتر است (بارش، دبی‌پایه و دبی‌سیلاب) استفاده شود، تعداد قوانین در این حالت برابر با 3×3=9 قانون است.

 

 

شکل 9. ساختار فازی با 3 متغیر زبانی کم، متوسط و زیاد

 


نتایج.

نتایج مدل شبکه عصبی مصنوعی.

در این پژوهش برای طراحی شبکه عصبی مصنوعی در حالت کلی 2حالت درنظر گرفته شد. حالت اول طراحی شبکه عصبی مصنوعی با یک لایۀ مخفی و حالت دوم طراحی شبکه عصبی مصنوعی با دو لایۀ مخفی. پژوهش‌های قبلی نشان دادند‌ برای اجرای مدل شبکه عصبی مصنوعی برای روندیابی سیلاب حداکثر به 2 لایۀ مخفی نیاز است و بر این اساس این دو حالت کلی درنظر گرفته شدند. در هر کدام از حالت‌ها تعداد نرون‌ها، نوع تابع فعالیت و

 

1 Quartile

درصد مقادیر اختصاص‌یافته به هرکدام از داده‌ها آموزش[31] و آزمایش[32] و اعتبارسنجی[33] تغییر یافت تا از بین حالت‌های اجرا‌شده بهترین حالت حاصل شود که شامل حالت‌هایی با کمترین مقادیر خطاست. همان‌گونه که قبلاً ذکر شد، بهترین حالت زمانی است که مقادیر میانگین‌ مربعات‌ خطا[34] به‌سمت صفر و مقادیر ضریب‌تعیین[35] به‌سمت یک میل کند.‌ در این پژوهش برای طراحی شبکه‌ عصبی مصنوعی با 2 لایۀ مخفی درصد مقادیر داده‌های آموزشی، آزمایشی و اعتبارسنجی به‌ترتیب برابر با 80، 10 و 10 درصد انتخاب شد. برای انتخاب این مقادیر قانون خاصی وجود ندارد و برحسب آزمون‌ و خطا و هم‌چنین پژوهش رضایی و همکاران (1386) که همین مقادیر را برای شبکۀ موردنظر خود انتخاب کرده بودند، انتخاب شد. جدول (8) و (9) بهترین نتایج به‌دست‌آمده در مدل‌های مختلف اجرا‌شده شبکه ­عصبی مصنوعی را نمایش می‌دهد که به‌ترتیب برای یک لایۀ مخفی و دو لایۀ مخفی است. لازم به ذکر است که کلیۀ مراحل اجرای شبکه‌ عصبی مصنوعی با استفاده از دستورهای نوشته‌شده در قسمت ویرایشگر[36] برنامۀ متلب انجام شده است یکی از بزرگ‌ترین محاسن استفاده از این بخش امکان ویرایش شبکه ‌عصبی مصنوعی ایجاد شده است. لازم به‌ذکر است که در تمام انواع شبکه‌های عصبی مصنوعی ایجاد‌شده، مقادیر تعداد تکرار آموزش[37] و‌ خطای ایده‌آل[38] ‌‌به‌ترتیب برابر با 1000 و 001/0 و همچنین الگوریتم یادگیری همۀ انواع شبکه‌های مصنوعی ایجاد‌شده (با یک و دو لایۀ مخفی)‌ از نوع levenberg-marquardt قرار داده شد.‌ جدول (6) و (7) بهترین نتایج اجرای مدل شبکه‌ عصبی را بر روی داده‌های ورودی نشان می‌دهد.

روش حساسیت‌سنجی به‌کار‌رفته در این پژوهش به این صورت بود که با استفاده از داده‌های آماده‌شده، ساختارهای متفاوتی از شبکه را پیاده‌سازی کرد که درنهایت از بین ساختارها، هم بهترین ساختار را استخراج کرد و هم اینکه سنجیده شد که شبکه‌ عصبی مصنوعی طراحی‌شده به کدام پارامتر ساختار حساسیت بیشتری دارد. با بررسی این نتایج، به این نتیجه رسیدیم که شبکه ‌عصبی مصنوعی طراحی‌شده با داده‌های مورداستفاده، نسبت به افزایش درصد داده‌های آموزش، نسبت به افزایش نرون‌های لایۀ پنهان و همچنین نسبت به نوع تابع ‌فعالیت لایۀ خروجی پنهان حساسیت نشان می‌دهد و بهترین نتایج در درصد پایین داده‌های آموزش (در محدودۀ 80 درصد) و تعداد کم نرون لایۀ پنهان و همچنین تابع فعالیت لوگ‌سیگموئید حاصل می‌شود.

نتایج مدل سیستماستنتاج فازی

همان‌طور که پیش‌تر بیان شد، در این پژوهش برای تعیین بازه هر تابع ‌عضویت از روش آزمون‌ و خطا و همین‌طور چارک داده‌ها استفاده شد که جدول (3) چارک اول و دوم و سوم داده‌های مورد استفاده در مدل فازی را نمایش می‌دهد.


جدول 3. چارک‌های اول و دوم و سوم داده‌های مورداستفاده در این پژوهش

بارش (میلی‌متر)

دبی پایه (مترمکعب برثانیه)

دبی‌سیلاب (مترمکعب برثانیه)

 

132/0

0095/0

0062/0

چارک اول

26/0

018/0

012/0

چارک دوم (میانه)

41/0

062/0

046/0

چارک سوم

 

 

سیستم استنتاج فازی استفاده‌شده در این پژوهش سیستم استنتاج فازی ممدانی1 است.‌ نرم‌افزار متلب تنها 2 نوع از سیستم‌های استنتاج‌فازی را داراست که شامل سیستم استنتاج فازی ممدانی و سوگنو2 است. جدول (6)، بهترین نتایج اجرای مدل فازی را نمایش می‌دهد. اعداد ردیف اول این جدول حاوی 3 عدد هستند که این اعداد به‌ترتیب از چپ به راست شامل تعداد توابع عضویت لایۀ ورودی اول (بارش)، تعداد توابع عضویت لایۀ ورودی دوم (دبی‌پایه) و تعداد توابع عضویت لایه خروجی (‌دبی‌‌سیلاب) است. درتمام مدل‌‌های اجراشده، توابع عضویت اولی و آخری (‌به‌دلیل پوشاندن تمام داده‌ها) از نوع تابع ذوزنقه‌ای انتخاب شدند. مقادیر ریشه مربعات خطای به‌دست‌آمده (در جد‌ول‌های 4، 5 و6) به‌دلیل کوچک‌بودن مقادیر و هم‌چنین راحتی در خواندن، این مقادیر 10000 بار بزرگ‌تر شده‌اند؛ به‌عبارتی برای رسیدن به مقادیر واقعی (که اعداد بسیار کوچکی هستند) لازم است که اعداد این ستون‌ها را در 4-10 ضرب کنیم تا مقادیر واقعی خطا به‌دست آید.

 

 

جدول 4. نتایج حاصل از اجرای مدل استنتاج فازی بر روی داده‌های مورداستفاده

(quartile)3-3-3

quartile))3-3-3

(quartile)3-3-3

4-4-4

ساختار مدل فازی

(تعداد تابع عضویت)

prod

min

Prod

min

روش And

min

min

Min

min

روش استنباط

max

max

Max

max

روش اجتماع

bisector

Bisector

Centroid

centroid

روش غیرفازی‌سازی

2196/0

2196/0

21614/0

2182/0

MSE

0297/0

0297/0

03/0

0303/0

R

 

 

 

 

1 mamdani

2 sugeno

 

جدول 5. نتایج مدل شبکه عصبی مصنوعی اجرا‌شده با یک لایۀ مخفی

 

MSE

 

تابع فعالیت لایۀ خروجی

تابع فعالیت لایۀ مخفی

%test

%valid

%train

تعداد نرون

R

Test

Validation

Train

ردیف

tansig

tansig

10

5

85

29

95/0

68/0

37/0

36/1

1

purelin

tansig

20

10

70

1

95/0

48/0

27/1

27/1

2

logsig

tansig

5

5

90

63

92/0

98/0

6/1

94/1

3

purelin

logsig

10

10

80

3

96/0

55/0

62/0

12/1

4

satlin

logsig

5

10

85

90

95/0

07/1

83/0

32/1

5

جدول 6. نتایج مدل شبکۀ عصبی اجراشده با دو لایۀ مخفی*

 

MSE

 

تابع فعالیت لایۀ

خروجی

تابع فعالیت لایۀ

مخفی 2

تابع فعالیت لایۀ

مخفی 1

%

Test

% Valid

% Train

تعداد نرون لایۀ

مخفی2

تعداد نرون لایۀ

مخفی1

R

Test

Validation

Train

ردیف

purelin

tansig

Logsig

10

10

80

2

1

95/0

98/0

52/0

45/1

1

purelin

tansig

Logsig

10

10

80

12

14

956/0

55/0

55/1

02/1

2

purelin

tansig

Logsig

10

10

80

9

15

953/0

73/0

23/1

51/1

3

purelin

tansig

Logsig

10

10

80

9

19

958/0

7/0

54/1

31/1

4

purelin

logsig

Tansig

10

10

80

7

4

95/0

06/1

9/0

18/1

5

purelin

logsig

Tansig

10

10

80

13

4

951/0

85/0

36/0

28/1

6

purelin

logsig

Tansig

10

10

80

14

5

959/0

22/1

6/0

92/0

7

purelin

logsig

Tansig

10

10

80

6

8

894/0

62/0

51/1

62/2

8

purelin

logsig

Tansig

10

10

80

14

14

954/0

3/0

92/0

29/1

9

purelin

logsig

Tansig

10

10

80

7

19

949/0

6/1

42/0

46/1

10

purelin

logsig

Tansig

10

10

80

9

19

959/0

6/1

85/0

92/0

11

* بهترین نتایج مربوط به دو نوع ساختار شبکه عصبی مصنوعی و سیستم استنتاج فازی با رنگ قرمز نشان داده شده است.

 


بحث و نتیجه‌گیری

همان‌طور که مشخص است در ایجاد سیل و سیلاب‌خیزی یک ناحیه عوامل و دلایل متعددی دخیل هستند، ولی در اجرای این پژوهش از دو پارامتر ورودی بارش و دبی‌پایه برای روندیابی سیلاب استفاده شد. عواملی مانند پوشش گیاهی، جنس خاک، شیب زمین و حتی برای شیب، طول آبراهۀ اصلی و شیب آبراهه (رضایی و همکاران، 1386:30) در ایجاد سیل دخیل هستند، ولی با توجه به اینکه عوامل ذکر‌شده در حوزۀ آبخیز در طول این دورۀ آماری تقریباً ثابت‌اند و تغییرات ناچیزی دارند، بنابراین با فرض وارد‌کردن مقادیر عوامل ذکر‌شده در ورودی‌های شبکه این مقادیر ثابت بوده است و ورود اعداد ثابت در خروجی حاصل از شبکه عصبی دخالتی ندارد (مگر اینکه حوزۀ آبخیز به‌صورت منطقه‌ای‌ بررسی شود (رضایی و همکاران، 1386:35) که در این پژوهش موردنظر نیست)؛ بنابراین با این فرضیات تنها دو پارامتر وارد شبکه عصبی موردنظر شدند. هدف از اجرای این پژوهش مقایسۀ مدل‌سازی پیش‌بینی سیلاب با استفاده از دو مدل هوش محاسباتی (شبکه عصبی مصنوعی و استنتاج فازی) و درنهایت پیش‌بینی بهنگام سیلاب با استفاده از نتایج این پژوهش (جد‌ول‌های 4، 5 و 6) است. با علم بر اینکه سیلاب یکی از عوامل اصلی تخریب محیط‌زیست و از بین بردن زمین‌های کشاورزی و وارد‌کردن خسارات جانی و مالی بسیاری است و باتوجه به روند رشد تخریبی محیط زیست به‌دست انسان، وقوع سیلاب به‌تبع آن افزایش می‌یابد و اهمیت ‌چنین مطالعاتی بیش‌ازپیش احساس می‌شود. این پژوهش در جهت پاسخ‌گویی به این پرسش بوده است که در حوزۀ آبخیز مورد مطالعه چه زمانی و با چه حجمی سیلاب رخ خواهد داد. بدین‌معنی که با قراردادن داده‌های بارش، دبی‌پایه در ساختارهای پیشنهادی برای شبکه عصبی مصنوعی و مدل استنتاج فازی می‌توان حجم و زمان سیلاب احتمالی را پیش‌بینی کرد و با داشتن نقشه‌های پستی و بلندی منطقه (شکل 2) مناطقی که در معرض سیلاب قرار می‌گیرند (مناطقی با ارتفاع کمتر نسبت به سطحی که سیلاب در آنجا رخ خواهد داد)، میزان و حجم خسارات احتمالی وارد‌آمده، مناطق در معرض فرسایش و رسوبگذاری و هم‌چنین حجم مواد فرسایش‌یافته و رسوب‌یافته را مشخص کرد. پس از مدل‌سازی به‌وسیلۀ ساختارهای پیشنهادی دو مدل اجرا‌شده در این پژوهش می‌توان در صورت وقوع سیلاب، با توجه به زمان تمرکز حوزه‌ها (که در اینجا زیرحوزۀ آبخیز رودخانۀ زرد مدنظر بوده است که بیش از 4 ساعت است)، زمان لازم برای اجرای اقداماتی همچون هشدار به کشاورزان و ساکنان پایین‌دست، بستن دریچۀ سدها و باز‌کردن سدهای انحرافی و سایر اقدامات لازمه را انجام داد‌ و خسارات وقوع سیلاب را به‌حداقل ممکن رساند و حتی از آن جلوگیری کرد و این اقدامات نیازمند اعلام زنگ خطر وقوع سیلاب به مسئولان امر و ساکنان منطقۀ سیلاب است که این پژوهش در جهت اعلام این زنگ خطر بوده است.

بزرگ‌ترین نتیجۀ اجرای شبکه عصبی مصنوعی این است که هیچ رابطۀ خطی‌ای بین تعداد نرون‌ها در لایه ‌(های) مخفی، درصد مقادیر آزمایش و آزمون و اعتبارسنجی اختصاص داده شده و هم‌چنین نوع تابع فعالیت استفاده‌شده با مقادیر خطا و رگرسیون بین مقادیر موردانتظار[39] و مقادیر خروجی مدل[40] وجود ندارد، ولی در حالت کلی مقایسۀ نتایج اجرای مدل بر روی داده‌ها نشان داد‌ خروجی مدل زمانی‌که از دو لایۀ مخفی استفاده شود، بهتر است و مقادیر خطای به‌نسبت کمتری را نسبت به حالتی که تنها یک لایۀ مخفی وجود دارد، نشان می‌دهد. یکی‌ دیگر از محاسن مدل فازی در مقایسه با مدل شبکه عصبی مصنوعی، نمایش نتایج یکسان در هر بار اجرای مدل با ورودی‌ها و توابع یکسان است. در حالی‌که مدل شبکه‌عصبی مصنوعی‌ این ویژگی را ندارد و پس از اجرای مدل در هر بار (با همان پارامترهای ورودی یکسان) نتایج مدل با نتایج قبلی متفاوت خواهد بود که این به‌دلیل انتخاب مقادیر آستانه و وزن تصادفی (و متفاوت) مدل در هر بار اجرای مدل است. مقادیر MSE و r در مدل استنتاج فازی و مدل شبکه عصبی مصنوعی به‌ترتیب برابر با 2196/0 و 0297/0، 7667/0 و 96/0 است که این مقدار MSE حاصل میانگین مقادیر MSE داده‌های آموزش، آزمایش و اعتبارسنجی است.

 

منابع

Amiri, A. Nikou, M. nikou, M. 1390. Maroon flood routing in rivers using time series in artificial neural network Modular. Quarterly journal geographical space. Islamic Azad University of Ahar. No. 42.

Bakhtiari, M. Madani, H. Mahjouri, R. Rahmani, GH. 1391. Landfill site selection with fuzzy logic systems using Geographical Information System (GIS). Sixth national conference and the first International conference on waste management.

Javan Ajdadi, M. Pour Ghafari, H. 1387. estimation of flood routing using neural networks and kinematic flood wave method using neural networks and kinematic wave method and compared with the actual values of the river (case study: Dez River). Iranwater resources management conference. Faculty of civil engineering. University of Tabriz.

Hoseini, M. Mir Salehi, M. Saghi, H. 1380. Use neural network on flood routing. Iranian

Hydraulicconference. Technicalfaculty of TehranUniversity.

Dastourani, M. 1386. Evaluation of computational intelligence models to simulate and predict in real time flood flows. Science and technology of agriculture and natural resources.No. 40.

Rezaei, A. Mahdavi, M. Loks, K. Feiz nia, S. Mehdian, M. 1386. Modelingregional dam peak flows in the Sefidrood river sub-basins using artificial neural networks. Science and technology of agriculture and natural resources / eleventh year / NO. 1.

Ravanroui, A. master thesis, faculty of agriculture.Faculty ofwater science. Shahid Chamran university of Ahvaz. 1392.

Roghani, M. 1390. Check the mechanical operation of watershed runoff on control Watershed River; case study: Heydari watershed. Journal of irrigation and water engineering. Second years. No. 7. Spring 1391.

Planning Project Khuzestan., 1385. Appliedmeteorology research center of khuzestan.

Alizadeh, A. 1387. Principles of applied hydrology. Publicationinstitute of astan quds razavi. 870 pages.

Fathian, H. Nikou, M. Nikou, M. 1389. Rivers flood routing using evolutionary artificial neural networks. Journal of water resources engineering / third years / summer 1389.

Farhadi, N. Ourak, N. 1392. Analysis of changes in precipitation characteristics of the zardriver basin in Khuzestan province. The first national conference of Iranian climate. Industrial and technology graduate university, Kerman, Iran.

Feiz nia, S. Asgari, H. Moazami, M. 1386. Evaluation of the efficiency of artificial neural network in estimating daily suspended sediment (case study: Zard watershed, Khuzestan). Journal of faculty of natural resources, volume 60, No. 4.

Misaghi, F. Mohamadi, K. 1383. Predict changes in zayandeh rud river water quality using artificial neural networks. The second national conference on water and soil resources for students of ShirazUniversity.

Neshat, A. Sedghi, H. 1385. Estimates of runoff using the soil conservation service (SCS) and HEC-HMS model in basin baghmalek khuzestan province. Journal of agricultural science, years 12, No. 4.

Vali, A. Ramesht, M. Seif, A. Ghazavi, R. 1389. Comparing efficiency neural networks and regression models for prediction of watershed sediment load flow case study samandegan. Journal of geography and environmental planning, years 22, serial No. 44, No. 4, winter 1390.

Adeloye, A.J. De Munari, A. 2006. Artificial neural network based generalized storage–yield–reliability models using the Levenberg–Marquardt algorithm. Journal of Hydrology 362,215–230.

Castellano-Me´ndez, Marı´a. Gonza´lez-Manteiga, Wenceslao. Febrero-Bande, Manuel. Prada-Sa´nchez, Jose´ Manuel. Lozano-Calderon, Roma´n. 2004. Modelling of the monthly and daily behaviour of the runoff of the Xallas River using Box–Jenkins and neural networks methods. Journal of Hydrology 296 (2004) 38–58.

Feng, Li-Hua. Lu, Jia. 2010. The practical research on flood forecasting based on artificial neural networks. Expert Systems with Applications 37 (2010) 2974–2977.

Ghumman, A.R. M. Ghazaw, Yousry. Sohail, A.R. Watanabe, K. 2011. Runoff forecasting by artificial neural network and conventional model. Alexandria Engineering Journal (2011) 50, 345–350.

Karunanithi, N., W. J. Grenney, D. Whitley and K. Bovee. 1994. Neural networks for flow prediction, J. Comput. In Civil Eng. 8(2): 201-220.

Mahabir, c. Hicks, F.E. Robinson Fayek, A. 2003. Application of fuzzy logic to forecast seasonal runoff. HYDROLOGICAL PROCESSES Hydrol. Process. 17, 3749–3762 (2003).

Napolitano, G. See, L. Calvo, B. Savi, F. Heppenstall, A. 2010. A conceptual and neural network model for real-time flood forecasting of the Tiber River in Rome. Physics and Chemistry of the Earth 35 187–194.

Stüber, M. Gemmar, P. Greving, M. 2000.Machine supported Development of Fuzzy - Flood Forecast Systems.European Conference on Advances in Flood Research, Vol. 2, Page 504 - 515.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



[1] System recognition

[2] Function approximation

[3] Optimization

[4] Forecasting

[5]Fuzzy Set Theory (FST)

[6] Fuzzy Expert System

[7] Logsigmoeid

[8] Tansigmoeid

[9] Purelin

[10] Karunanithi

[11] Artificial Neural Netorks (ANNs)

[12] Supervised

[13] Unsupervised

[14] Over training

[15] Feed Forward

[16]Training rules

[17] Back Propagation

[18] Linear Transfer Function

[19] Log-Sigmoid Transfer Function

[20] Tan-Sigmoid Transfer Function

[21]Saturation Linear Transfer function

[22]Rules

[23] Implication,

[24] Aggregation.

[25]Defuzzification.

[26]Crisp

[27] Root Mean Square Error (RMSE)

[28]Coefficient of Determination (R²)

[29] Bias

[30] MATrix LABoratory

[31]Train

[32] Test

[33] Validation

[34] Root Mean Square Error (RMSE)

[35] Determination Coefficient (R)

[36] Editor

[37] epoch

[38] goal

[39] Target

[40] Output

 
 
Amiri, A. Nikou, M. nikou, M. 1390. Maroon flood routing in rivers using time series in artificial neural network Modular. Quarterly journal geographical space. Islamic Azad University of Ahar. No. 42.
Bakhtiari, M. Madani, H. Mahjouri, R. Rahmani, GH. 1391. Landfill site selection with fuzzy logic systems using Geographical Information System (GIS). Sixth national conference and the first International conference on waste management.
Javan Ajdadi, M. Pour Ghafari, H. 1387. estimation of flood routing using neural networks and kinematic flood wave method using neural networks and kinematic wave method and compared with the actual values of the river (case study: Dez River). Iranwater resources management conference. Faculty of civil engineering. University of Tabriz.
Hoseini, M. Mir Salehi, M. Saghi, H. 1380. Use neural network on flood routing. Iranian
Hydraulicconference. Technicalfaculty of TehranUniversity.
Dastourani, M. 1386. Evaluation of computational intelligence models to simulate and predict in real time flood flows. Science and technology of agriculture and natural resources.No. 40.
Rezaei, A. Mahdavi, M. Loks, K. Feiz nia, S. Mehdian, M. 1386. Modelingregional dam peak flows in the Sefidrood river sub-basins using artificial neural networks. Science and technology of agriculture and natural resources / eleventh year / NO. 1.
Ravanroui, A. master thesis, faculty of agriculture.Faculty ofwater science. Shahid Chamran university of Ahvaz. 1392.
Roghani, M. 1390. Check the mechanical operation of watershed runoff on control Watershed River; case study: Heydari watershed. Journal of irrigation and water engineering. Second years. No. 7. Spring 1391.
Planning Project Khuzestan., 1385. Appliedmeteorology research center of khuzestan.
Alizadeh, A. 1387. Principles of applied hydrology. Publicationinstitute of astan quds razavi. 870 pages.
Fathian, H. Nikou, M. Nikou, M. 1389. Rivers flood routing using evolutionary artificial neural networks. Journal of water resources engineering / third years / summer 1389.
Farhadi, N. Ourak, N. 1392. Analysis of changes in precipitation characteristics of the zardriver basin in Khuzestan province. The first national conference of Iranian climate. Industrial and technology graduate university, Kerman, Iran.
Feiz nia, S. Asgari, H. Moazami, M. 1386. Evaluation of the efficiency of artificial neural network in estimating daily suspended sediment (case study: Zard watershed, Khuzestan). Journal of faculty of natural resources, volume 60, No. 4.
Misaghi, F. Mohamadi, K. 1383. Predict changes in zayandeh rud river water quality using artificial neural networks. The second national conference on water and soil resources for students of ShirazUniversity.
Neshat, A. Sedghi, H. 1385. Estimates of runoff using the soil conservation service (SCS) and HEC-HMS model in basin baghmalek khuzestan province. Journal of agricultural science, years 12, No. 4.
Vali, A. Ramesht, M. Seif, A. Ghazavi, R. 1389. Comparing efficiency neural networks and regression models for prediction of watershed sediment load flow case study samandegan. Journal of geography and environmental planning, years 22, serial No. 44, No. 4, winter 1390.
Adeloye, A.J. De Munari, A. 2006. Artificial neural network based generalized storage–yield–reliability models using the Levenberg–Marquardt algorithm. Journal of Hydrology 362,215–230.
Castellano-Me´ndez, Marı´a. Gonza´lez-Manteiga, Wenceslao. Febrero-Bande, Manuel. Prada-Sa´nchez, Jose´ Manuel. Lozano-Calderon, Roma´n. 2004. Modelling of the monthly and daily behaviour of the runoff of the Xallas River using Box–Jenkins and neural networks methods. Journal of Hydrology 296 (2004) 38–58.
Feng, Li-Hua. Lu, Jia. 2010. The practical research on flood forecasting based on artificial neural networks. Expert Systems with Applications 37 (2010) 2974–2977.
Ghumman, A.R. M. Ghazaw, Yousry. Sohail, A.R. Watanabe, K. 2011. Runoff forecasting by artificial neural network and conventional model. Alexandria Engineering Journal (2011) 50, 345–350.
Karunanithi, N., W. J. Grenney, D. Whitley and K. Bovee. 1994. Neural networks for flow prediction, J. Comput. In Civil Eng. 8(2): 201-220.
Mahabir, c. Hicks, F.E. Robinson Fayek, A. 2003. Application of fuzzy logic to forecast seasonal runoff. HYDROLOGICAL PROCESSES Hydrol. Process. 17, 3749–3762 (2003).
Napolitano, G. See, L. Calvo, B. Savi, F. Heppenstall, A. 2010. A conceptual and neural network model for real-time flood forecasting of the Tiber River in Rome. Physics and Chemistry of the Earth 35 187–194.
Stüber, M. Gemmar, P. Greving, M. 2000.Machine supported Development of Fuzzy - Flood Forecast Systems.European Conference on Advances in Flood Research, Vol. 2, Page 504 - 515.