Monthly Rain Prediction of Ardabil Province using ANN, WANN, GEP AND WGEP Models

نیک¬پور, محمد رضا and عبداللهی اسدآبادی, سجاد (2019) Monthly Rain Prediction of Ardabil Province using ANN, WANN, GEP AND WGEP Models. University of Mohaghegh Ardabili, University of Mohaghegh Ardabili.

[img] Text
Tarh (Rain).pdf

Download (1MB)
Official URL: http://uma.ac.ir/

Abstract

Rainfall is one of the most important hydrological events and plays a very important role in assessing the climatic characteristics of each region. In the present study, artificial neural network (ANN), gene expression programming (GEP) models and integration of these models with wavelet analysis including wavelet-artificial neural network (WANN) and wavelet-gene expression programming (WGEP) models for monthly precipitation perdiction was used at selected synoptic stations in Ardabil province, including Ardabil, Khalkhal, Meshginshahr and Parsabad during the 225 month common statistical period. For the short-term forecast of monthly precipitation (one month later), different scenarios were defined based on precipitation delays. Results indicated that WANN model with the highest determination coefficient (R2) and minimum root mean square error (RMSE) was acceptable for all stations and the best scenario in the validation phase. The values of R2 and RMSE for Ardabil station were equal to 0.88 and 7.13 mm, for Khalkhal station were equal to 0.91 and 6.36 mm, for Meshginshahr station were equal to 0.79 and 9.81 mm and for Parsabad station were equal to 0.86 and 8.51 mm, respectively. At the stations of Ardabil, Khalkhal and Meshginshahr, the combination of rainfall delay scenarios, the minimum and maximum temperature with the superior model (WANN model) improved the results of the model, but also increased the computational cost of the model. Also, in all stations, the relative humidity added as the input variable somewhat reduced the performance of the model. The general results of this study showed that using the WANN model, along with appropriate rainfall delays on a monthly scale, monthly forecasts (next month) of selected stations in Ardabil province, including Ardabil, Khalkhal, Meshginshahr and Parsabad can be predicted with acceptable accuracy.

Item Type: Other
Persian Title: پیش¬بینی بارش ماهانه استان اردبیل با استفاده از مدل¬های ANN، WANN، GEP و WGEP
Persian Abstract: بارش یکی از مهم¬ترین رخدادهای هیدرولوژیکی بوده و در سنجش خصوصیات اقلیمی هر منطقه، نقش بسیار مهمی ایفا می¬کند. در پژوهش حاضر از مدل¬های شبکه عصبی مصنوعی (ANN)، برنامه¬ریزی بیان ژن (GEP) و تلفیق مدل¬های مذکور با آنالیز موجک شامل مدل¬های موجک- شبکه عصبی مصنوعی (WANN) و موجک- برنامه¬ریزی بیان ژن (WGEP) برای شبیه¬سازی بارش ماهانه در ایستگاه¬های سینوپتیک منتخب استان اردبیل شامل اردبیل، خلخال، مشگین¬شهر و پارس¬آباد طی دوره آماری مشترک 225 ماهه استفاده شد. برای پیش¬بینی کوتاه مدت بارش ماهانه (یک ماه بعد) سناریوهای مختلف بر اساس تأخیرهای بارش تعریف شد. نتایج بیانگر عملکرد قابل قبول و برتری مدل WANN با بیشترین ضریب تعیین (R2) وکمترین ریشه میانگین مربعات خطا (RMSE) برای همه ایستگاه¬ها و به¬ازای بهترین الگو در مرحله صحت¬سنجی بود. مقادیر R2 و RMSE برای ایستگاه اردبیل به¬ترتیب برابر 88/0 و 13/7 میلی¬متر، برای ایستگاه خلخال برابر 91/0 و 03/6 میلی¬متر، برای ایستگاه مشگین¬شهر برابر 79/0 و 81/9 میلی¬متر و برای ایستگاه پارس¬آباد برابر 86/0 و 51/8 میلی¬متر به¬دست آمد. در ایستگاه¬های اردبیل، خلخال و مشگین¬شهر اعمال سناریوی ترکیبی تأخیرهای بارش، کمینه و بیشینه دما توسط مدل برتر (مدل WANN) باعث بهبود جزئی نتایج مدل گردید اما هزینه محاسباتی مدل را نیز به مراتب افزایش داد. هم¬چنین در همه ایستگاه¬ها، اضافه شدن رطوبت نسبی به¬عنوان متغیر ورودی تا حدودی باعث کاهش عملکرد مدل شد. نتایج کلی پژوهش حاضر نشان داد که با استفاده از مدل WANN به همراه تأخیرهای مناسب بارش در مقیاس زمانی ماهانه، می¬توان بارش ماهانه (ماه آینده) ایستگاه¬های منتخب استان اردبیل شامل اردبیل، خلخال، مشگین¬شهر و پارس¬آباد را با دقت قابل قبول پیش¬بینی نمود.
Subjects: Research Projects
Divisions: Subjects > Faculty of Agricultural Sciences & Natural Resources > Department of Natural Resources
Faculty of Agricultural Sciences & Natural Resources > Department of Natural Resources
Date Deposited: 30 Jun 2019 09:42
Last Modified: 30 Jun 2019 09:42
URI: http://repository.uma.ac.ir/id/eprint/8489

Actions (login required)

View Item View Item