Do you want to publish a course? Click here

Evaluation of effective Parameters in the estimation of Runoff in Alkabeer Aljanobee Catchment using Elman Neural Network

تقييم البارامترات الفعالة للجريان السطحي في حوض نهر الكبير الجنوبي باستخدام شبكات ELMAN الصنعيّة

2244   0   38   0 ( 0 )
 Publication date 2015
and research's language is العربية
 Created by Shamra Editor




Ask ChatGPT about the research

Accurately modeling rainfall-runoff (R-R) transform remains a challenging task despite that a wide range of modeling, either knowledge-driven or data-driven. knowledge-driven models need a large amount of parameters, so it suffers from plenty numbers of parameters, for this reason the hydrologists start looking for a simple modeling methods, that need a few parameters such as data _driven methods, so The present study amis to use artificial neural network, which is one type of this methods for modeling the relationship between rainfall and runoff in Alkabeer Aljanonbee river catchment in Tartous City. Elman Neural Network is depended on for prediction of runoff by testing twenty four models have different architectures. So all models have been tested by using different numbers of neurons in the hidden layer, by using nntool book, which is available in the Matlab program. The results of the research verify that the model which has each of temperature, relative humidity, evaporation and rainfall in the input layer with time delay equal to three days (0:-3), in addation to preveous value of runoff (-1:-3), gives a best performance for used data with mean square error equal to 2.8*10^-5, and correlation coefficient 0.96. So it has been reached that Elman network technology gives a good results in modeling the relation rainfall_runoff So it could be a good alternative instead of traditional approaches.


Artificial intelligence review:
Research summary
تهدف هذه الدراسة إلى تقييم البارامترات الفعالة للجريان السطحي في حوض نهر الكبير الجنوبي باستخدام شبكات Elman العصبية الصنعية. تتناول الدراسة العلاقة بين الهطول المطري والجريان السطحي، وهي علاقة معقدة تتطلب نماذج دقيقة للتنبؤ بها. استخدم الباحثون 24 نموذجًا مختلفًا لشبكات Elman، حيث تم اختبار كل نموذج باستخدام عدد مختلف من العصبونات الخفية. أظهرت النتائج أن النموذج الذي يحتوي على مدخلات تشمل درجة الحرارة، الرطوبة النسبية، التبخر والهطول المطري بتأخر زمني مقداره ثلاثة أيام، بالإضافة إلى قيم سابقة للتصريف بتأخر زمني، يعطي أفضل أداء. بلغ متوسط مربع الخطأ 2.8*10^-5 ومعامل ارتباط 0.96. تشير النتائج إلى أن شبكات Elman يمكن أن تكون بديلاً فعالاً للطرائق التقليدية في نمذجة العلاقة بين الهطول المطري والجريان السطحي.
Critical review
دراسة نقدية: تعتبر هذه الدراسة خطوة مهمة في استخدام تقنيات الذكاء الاصطناعي في مجال الهيدرولوجيا، وقد أظهرت نتائج مشجعة في نمذجة العلاقة بين الهطول المطري والجريان السطحي. ومع ذلك، يمكن توجيه بعض النقد البناء للدراسة. أولاً، قد يكون من المفيد توسيع نطاق الدراسة لتشمل مناطق جغرافية مختلفة للتحقق من فعالية النموذج في ظروف مناخية وجغرافية متنوعة. ثانيًا، يمكن تحسين النموذج بإضافة بارامترات أخرى مثل نوعية التربة واستخدامات الأراضي، مما قد يزيد من دقة التنبؤات. أخيرًا، قد يكون من المفيد مقارنة أداء شبكات Elman مع أنواع أخرى من الشبكات العصبية الصنعية لتحديد النموذج الأكثر كفاءة.
Questions related to the research
  1. ما هي البارامترات التي تم استخدامها في النموذج الأفضل أداءً في الدراسة؟

    تم استخدام درجة الحرارة، الرطوبة النسبية، التبخر والهطول المطري بتأخر زمني مقداره ثلاثة أيام، بالإضافة إلى قيم سابقة للتصريف بتأخر زمني.

  2. ما هو متوسط مربع الخطأ ومعامل الارتباط للنموذج الأفضل أداءً؟

    بلغ متوسط مربع الخطأ 2.8*10^-5 ومعامل ارتباط 0.96.

  3. ما هي الفائدة من استخدام شبكات Elman العصبية الصنعية في هذه الدراسة؟

    أثبتت شبكات Elman أنها تعطي نتائج جيدة في نمذجة العلاقة بين الهطول المطري والجريان السطحي، مما يجعلها بديلاً فعالاً للطرائق التقليدية.

  4. ما هي التوصيات المستقبلية التي اقترحها الباحثون بناءً على نتائج الدراسة؟

    اقترح الباحثون استخدام أنواع أخرى من الشبكات العصبية الصنعية لإجراء تحليل الحساسية، والتنبؤ بالتصريف باستخدام تشكيلات مختلفة من البارامترات مثل درجة الحرارة، الرطوبة النسبية، التبخر، الهطول المطري، معامل استخدام الأراضي، نوع التربة، والتصريف الجوفي.


References used
SOLAIMANI, k. Rainfall-runoff Prediction Based on Artificial Neural Network (A Case Study: Jarahi Watershed). ISSN United States. 2009, 856-865
DHAMGE, N. ؛KADU, M. ؛ATMAPOOJYA, S. Rainfall Runoff Modelling Studies Using Artificial Neural Network. International J.of Multidispl. Research & Advcs. in Engg. (IJMRAE) India, Vol. 4, No. I, 2012, 27-38
LAFDANI, E.؛ NIA, A.؛ PAHLAVANRAVI, A. ؛ AHMADI, A.؛ JAJARMIZADEH, M. Daily Rainfall-Runoff Prediction and Simulation Using ANN, ANFIS and Conceptual Hydrological MIKE11/NAM Models. International Journal of Engineering & Technology Sciences Iran. 2013, 32-50
rate research

Read More

The relation between rainfall and runoff forms one of the main hydrological cycle elements. It is one of the most complex hydrological phenomena because of the great numbers of parameters used in modeling the physical processes, the expansion of thei r parameter space, and the temporary change in watershed specifications. Thus, modeling the relation between rainfall and runoff is necessary for hydrological and hydraulic engineering design, integrated management of water resourses, and forecasting flood and preventing its dangers. This research aims at modeling the relation between rainfall and runoff in Alkabeer Aljononbee catchment. It depends on the technique of Artificial Neural Network (ANN). The mathematical model was built by the ntstool and nntool available in the Matlab program. This model depends on daily rainfall, evaporation, air temperature, and relative humidity data taken from meteorological stations that are distributed in the watershed. The daily runoff data have also been used for checking the performance accuracy of the network, using the Simulink technique. The results of this research confirm that artificial neural network technology offers good results in modeling the relation rainfall-runoff, depending on the set of data used. So it could be a better alternative than traditional approaches.
The relationship between precipitation and surface runoff is one of the fundamental components of the hydrological cycle of water in nature and is one of the most complex and difficult to understand because of the large number of parameters involv ed in the modeling of physical processes and the breadth of parmetry and temporary change in basin specifications. Multiple rainfall models Modeling the relationship between precipitation and runoff is very important for engineering design and integrated water resources management, as well as flood forecasting and risk prevention.
the aim of this study is determination of the most influential climatic factors in the rainfall runoff relationship in Al-Kabir Al-shimalee river using artificial neural networks. The inputs included Precipitation, runoff, in different delays, in addition on لاclimate factor in each network, to determinate the best model.
To clarify the possibility of using bacterial flora as a pollution indicator, water samples from river were collected and analyzed from July ١٩٩٩ to February ٢٠٠١ for dissolved oxygen (DO), NO٣-N, NO٢-N, NH٤-N, PO٤-P, suspended solids (SS), biolog ical oxygen demand (BOD) Heterotrophic Bacteria were identified to genus level, and another part of it was identified to Enterobacteriaceae.
comments
Fetching comments Fetching comments
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا