مقايسه مدل هاي شبكه عصبي مصنوعي ديناميك و همبستگي خطي چند متغيره در پيش بيني آبدهي به كمك داده هاي سنجش از دور

Comparison of Dynamic Artificial Neural Network and Multivariate Linear Regression Models for Inflow Forecasting Using Remote Sensing Data

هدف تحقيق حاضر، مقايسه توانايي مدل شبكه عصبي مصنوعي و مدل همبستگي خطي چند متغيره در پيش بيني شش ماه آينده جريان ورودي به مخزن سد شاهچراغي در استان سمنان، بر اساس داده هاي ماهانه آبدهي، دماي متوسط، بارش و سطح پوشش برف چند ماه قبل مي باشد. براي تعيين سطح پوشش برف، از تصاوير سنجنده AVHRR ماهواره NOAA استفاده گرديده و جداسازي سطح برف با استفاده از روش جداسازي پديده ها بر اساس حد آستانه هيستوگرام آنها در باندهاي مريي و حرارتي انجام شده است. يك لايه مخفي و تابع انتقال سيگموييد و تابع آموزش لونبرگ-ماركوارت در ساختار مدل هاي شبكه عصبي مصنوعي استفاده گرديده است. پنج مدل شبكه عصبي مصنوعي ديناميك و پنج مدل همبستگي خطي چند متغيره با داده هاي ورودي متفاوت ساخته شده و نتايج آنها مقايسه شد. معيارهاي انتخاب بهترين مدل، شامل جذر متوسط خطا(RMSE)، انحراف خطاي ميانگين(MBE)، ميانگين قدرمطلق خطاي نسبي (MARE)، حداكثر خطاي نسبي (REmax) و ضريب همبستگي (R2 ) بوده و بهترين نتيجه با مدلي حاصل گرديد كه داده هاي بارش، آبدهي و سطح پوشش برف را به عنوان ورودي مدل استفاده كرده است. همچنين بهبود نتايج مدل منتخب نسبت به مدل همبستگي خطي چند متغيره كه در تحقيقات قبلي براي پيش بيني جريان به كار رفته است، بررسي شده است. نتايج نشان مي دهد شاخص خطاي نسبي حداكثر در مدل شبكه عصبي 80% كمتر از مدل رگرسيون خطي چند متغيره است.

This study aims to compare the ability of dynamic artificial neural network (DANN) and multivariate linear regression (LR) in forecasting monthly inflow to Shahcheraghi reservoir in Semnan province, Iran. The input data consisted monthly flow discharge, precipitation, mean temperature and snow cover area. Snow cover area was estimated using NOAA-AVHRR images, based on thresholds in histograms of different phenomena in visible and thermal channels. Dynamic artificial neural networks were determined with one hidden layer, Levenberg-Marquardt as training function, and sigmoid as transfer function Moreover, five DANN and five LR models were run with different input data and the results were compared. Root mean square (RMSE), mean bias error (MBE), mean absolute relative error (MARE), maximum relative error (REmax) and R2 (coefficient of determination) are the criteria that were used for models evaluation. The best result is gained with three inputs (inflow discharge, precipitation and snow cover area) by DANN. Regarding linear regression as a classic model in inflow forecasting, the improvement of the results by using DANN was obvious. The REmax of the selected DANN model was almost 85% less than REmax of the selected LR. JU> obL < um> ^Jb Keywords: dynamic artificial neural network, multivariate linear regression, reservoir inflow forecasting, Shahcheraghi reservoir, snow cover area