نوع مقاله : مقاله پژوهشی

نویسندگان

• محمد نجف زاده ¹
• دیاکو افروزی ²
• علی برزکار ²

¹ استادیار، گروه مهندسی آب، دانشکده مهندسی عمران و نقشه‌برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران

² کارشناس ارشد، گروه مهندسی آب، دانشکده مهندسی عمران و نقشه‌برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران

چکیده

امروزه به­دلیل وجود عدم قطعیت بالا در تخمین بارش در مناطق مختلف جغرافیایی، به‌کارگیری روش‌های هوش محاسباتی بر مبنای الگوریتم‌های بهینه‌ساز جهت تخمین دقیق بارش­های روزانه مورد توجه مهندسین آب قرار گرفته است. در پژوهش حاضر، از سیستم تطبیقی فازی عصبی استنتاجی  (ANFIS)به­همراه تبدیل موجک (W) به‌عنوان پیش­پردازشگر داده‌های بارش روزانه  جهت تخمین مقادیر، مورد استفاده قرار گرفت. ساختار مدل ترکیبی W-ANFIS با استفاده از روش خوشه‌بندی میانگین‌های c فازی (FCM) در مرحله آموزش توسعه داده شد. همچنین، ضرایب ثابت توابع عضویت موجود در مدل ANFIS با به‌کارگیری چهار الگوریتم بهینه‌ساز وراثتی (GA)، ازدحام ذرات (PSO)، تکامل تفاضلی (DE) و جامعه مورچگان  (ACO)بهینه شدند. در این پژوهش، آمار بارندگی دوره yr 11 حوضه ازمیر واقع در غرب کشور ترکیه استفاده شد. با به‌کارگیری پنج تأخیر زمانی در آمار بارش روزانه و همچنین تجزیه­شدن هر یک از تأخیرهای زمانی در سه سطح حاصل از تبدیل موجک، هر یک از مدل‌های بهینه W-ANFIS دارای 20 متغیر ورودی شدند. نتایج حاصل از آنالیز آماری مراحل آموزش و آزمایش با استفاده از پارامترهای ریشه میانگین مربعات خطا (RMSE) و خطای مطلق میانگین (MAE) نشان دادند که کاربرد الگوریتم تکامل تفاضلی  در ساختار مدل W-ANFIS با داشتن RMSE و MAE برابر با  22/22 وmm  11/17 در مقایسه با سایر مدل‌های ترکیبی حاصل از PSO (11/28 و mm 11/ 24)، ACO (41/30 و  mm50/26) و GA (11/18 وmm  70/25) از دقت بالایی برخوردار می‌باشد.

کلیدواژه‌ها

• الگوریتم های تکاملی
• تبدیل موجک
• تخمین بارش
• خوشه‌بندی داده‌ها
• سیستم فازی استنتاجی

موضوعات

• مدیریت منابع آب

عنوان مقاله [English]

Daily Rainfall Estimation using ANFIS Combination Models Trained by Clustering of Fuzzy c-Means and Evolutionary Algorithms

نویسندگان [English]

• Mohammad Najafzadeh ¹
• Diako Afroozi ²
• Ali Barzkar ²

¹ Assist. Professor, Department of Water Engineering, Faculty of Civil and Surveying Engineering, Graduate University of Advanced Technology, Kerman, Iran

² M.Sc. Department of Water Engineering, Faculty of Civil and Surveying Engineering, Graduate University of Advanced Technology, Kerman, Iran

چکیده [English]

Nowadays, due to the high uncertainty in estimating precipitation in different geographical areas, the use of computational intelligence methods based on optimization algorithms to accurately estimate daily precipitation has been considered by water engineers. In the present study, the combined Adaptive Neuro Fuzzy Inference System and Wavelet transform (W-ANFIS) method was used as a pre-processor for daily rainfall data to estimate precipitation values. The structure of the W-ANFIS hybrid model was developed using the Fuzzy Clustering Means (FCM) method in the training phase. Moreover, constant coefficients of membership functions applied in the ANFIS model were optimized using four optimization algorithms including Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Differential Evolution (DE), and Ant Colony community (ACO). In the present study, rainfall statistics of Izmir basin in the western part of Turkey were used. Through applying five-time delays in daily rainfall statistics as well as decomposing each time delay in the three levels of wavelet transform, each of the W-ANFIS optimal models had twenty input variables. The results of the statistical analysis for both training and testing stages by the Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) showed that the application of the DE algorithm into W-ANFIS structure had the best performance (RMSE = 22.22 and MAE = 17.11mm) than other combined models with PSO (RMSE = 28.11 and MAE = 24.11 mm), ACO (RMSE = 30.41 and MAE = 26.50 mm), and GA (RMSE = 25.70 and MAE = 18.11 mm).

کلیدواژه‌ها [English]

• Adaptive Neuro Fuzzy Inference System
• Clustering
• Evolutionary Algorithms
• Rainfall Estimation
• Wavelet Transform