مدل‌سازي رابطه دبي- اشل در رودخانه با استفاده از روش كنترل گروهي داده‌ها (GMDH) (مطالعه موردي: رودخانه اسكويلكيل)

Stage-discharge relationship modeling in river using artificial neural network (ANN) and group method of data handling (GMDH) methods (Case study: Schuylkill river)

سابقه و هدف: پيش‌بيني جريان در رودخانه‌‌ها، يكي از مهم‌ترين مولفه‌هاي فرآيندهاي هيدروليكي و هيدرولوژيكي در مديريت منابع آب مي‌باشد. از اين‌رو هيدرولوژيست‌ها از داده‌هاي تاريخي جهت ايجاد يك رابطه ميان دبي جريان و تراز سطح آب استفاده مي‌كنند كه از اين رابطه تحت عنوان رابطه دبي- اشل يا منحني سنجه (RC) ياد مي‌شود. با پيشرفت‌هاي اخير در زمينه هوش مصنوعي و محاسبات نرم در مطالعات منابع آب، استفاده از اين روش‌ها مي‌تواند گزينه مناسبي جهت مدل‌سازي فرآيندهاي هيدروليكي و هيدرولوژيكي باشد. هدف از اين پژوهش بررسي كارايي و دقت روش هوشمند داده‌محور GMDH در تعيين رابطه دبي- اشل در رودخانه اسكويكيل مي‌باشد. مواد و روش‌ها: در اين پژوهش ، مدلي بر اساس روش كنترل گروهي داده‌ها (GMDH) جهت مدل‌سازي رابطه دبي- اشل در ايستگاه هيدرومتري فيلادلفيا بر روي رودخانه اسكويلكيل (Schuylkill) واقع در ايالت متحده آمريكا در قسمت برنامه‌نويسي نرم‌افزار MATLAB توسعه داده شده است. بدين منظور از داد‌هاي اندازه‌گيري شده دبي و اشل اين ايستگاه با طول دوره آماري 2550 روزه استفاده شده است. با ارزيابي همبستگي ميان دبي در گام‌هاي زماني مختلف و نيز دبي و اشل در گام‌هاي زماني مختلف، دوازده حالت متفاوت به‌عنوان ورودي‌هاي مدل انتخاب و مدل توسعه داده شده به‌طور جداگانه براي هر حالت اجرا گرديد. يافته‌ها: مقادير معيارهاي آماري به‌دست آمده از اين مدل‌سازي در دوره آزمون نشان مي‌دهد كه مدلي با مقادير MSE،MPRE و ضريب NASHبه‌ترتيب برابر با 8/15، 303/0 و 999/0 به‌عنوان بهترين مدل دبي- اشل در اين رودخانه انتخاب مي‌گردد. نتيجه‌گيري: نتايج اين پژوهش نشان مي‌دهد كه پاسخ‌هاي توليد شده از روش GMDH داراي دقت مطلوبي هستند. شاخص‌هاي آماري محاسبه شده براي داده‌هاي آموزش و آزمون در دامنه قابل‌قبول و حتي بسيار رضايت‌بخش و نيز مدت‌زمان انجام محاسبات در اين روش نيز بسيار كوتاه مي‌باشد.

Background and Objectives: Flow forecasting in rivers, is one of the most important components of hydraulic and hydrological processes in water resource management. For this reason, hydrologists use historical data to establish a function relationship between water level and discharge which is known stage-discharge relation or rating curve (RC). With the recent advancements in artificial intelligence and soft computing in water resource studies, there is a choice of better techniques to modeling hydraulic and hydrological processes. The object of this study is to assess efficiency and accuracy of data driven method GMDH in the stage discharge relationship in Schuylkill river. Materials and Methods: In this paper a model based on the group method of data handling (GMDH) for stage-discharge relationship modeling at Philadelphia station in Schuylkill river, USA, has been developed in MATLAB programming. For this purpose the measured data stage and discharge of this station is used during the period of 2550 days. By evaluating the correlation between discharge and also correlation between stage and discharge in different time steps, twelve different cases were selected as model inputs and developed model was run for each case separately. Results: The values of statistical parameters RMSE, MPRE and NASH for the best model of stage-discharge relationship in this river in validation period are 15.8, 0.303 and 0.999 respectively. Conclusions: The results of this study show that GMDH method produced accurate answers are desirable. Statistical indicators calculated for training and testing data is in an acceptable range and even very satisfactory. This method is also very short duration calculations.