نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

پیش بینی کوتاه مدت جریان با استفاده از رویکرد ادغام تصاویر ماهواره‌ای و مدل هوش مصنوعی توسعه یافته

نوع مقاله : مقاله پژوهشی

نویسندگان
سیدرضا اسمعیل زاده 1
صمد امامقلی زاده 2
بهناز بیگدلی 3
1 دانشکده مهندسی عمران- دانشگاه صنعتی شاهرود- شاهرود- ایران
2 گروه آب و محیط زیست، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران
3 گروه مهندسی ژئوتکنیک-راه و نقشه برداری، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود،شاهرود، ایران
10.22125/iwe.2023.392196.1713
چکیده
با توجه به ‌ضرورت پیش‌بینی جریان در مسائل هیدرولوژی از قبیل تعیین ورودی مخازن و پیش‌بینی سیل، مدل‌های پیش‌بینی جریان در علم هیدرولوژی بسیار مورد توجه قرار گرفته‌اند. در این تحقیق، از مدل‌‌های ترکیبی هوش مصنوعی شامل: ANFIS و GA-ANN برای پیش‌بینی کوتاه‌مدت جریان (روزانه) استفاده شده است. هدف این پژوهش پیش‌بینی جریان خروجی حوضه لتیان، استان تهران، در بازه مطالعاتی 1398-1397 می‌باشد. برای این منظور ابتدا، با بهره‌گیری از رویکرد تلفیق شاخص‌گذاری و روش‌های طبقه‌بندی، سطح پوشش برف حاصل از پردازش ماهواره نوری Sentinel-2 تهیه می‌شود. سپس به منظور استخراج سطح پوشش برف موثر، الگوریتم ادغام تصاویر با تصاویر ماهواره راداری Sentinel-1 اعمال می‌شود. نهایتا، مدل هوش‌مصنوعی با کمک پارامتر برف موثر در کنار سایر داده‌های روزانه هیدرومتری و هواشناسی شامل: بارش، دما و جریان به

پیش‌بینی روزانه جریان خروجی حوضه می‌پردازد. همچنین، به منظور ارتقاء عملکرد مدل پیش‌بینی از شاخص فصلی در جهت شناسایی تغییرات و آموزش بهتر مدل استفاده شده است. نتایج نشان داد، مدل پیش‌بینی با استفاده از داده‌های ماهواره‌ای تا میزان 37 درصد بهبود عملکرد داشته است. این امر نشان‌دهنده تاثیر مستقیم پارامتر برف موثر بر روند رواناب حوضه می‌باشد. علاوه ‌بر این، روند تغییرات سطح پوشش برف موثر هم‌خوانی مطلوبی با روند جریان حوضه، مخصوصا در نقاط پیک جریان، دارد. همچنین، استفاده از اطلاعات فصلی به عنوان پارامتر ورودی می‌تواند نتایج مدل‌های پیش‌بینی، بر پایه تست-آموزش، را به میزان حدود 22% افزایش دهد. در نهایت، روش هوش مصنوعی برپایه استنتاج فازی عملکرد بهتری نسبت به روش شبکه عصبی بهینه برپایه شاخص‌های آماری نشان داد.
کلیدواژه‌ها
مدل پیش بینی جریان
حوضه لتیان
روش های هوش مصنوعی
سنجنده Sentinel-1 and 2
رویکرد ادغام تصاویر
موضوعات

عنوان مقاله English

Short-term Streamflow Forecast by Wet Snow Using Fusion Satellite Images Approach and Developed Artificial Intelligence Methods

نویسندگان English

reza esmaeelzadeh 1
Samad Emamgholizadeh 2
behnaz bigdeli 3
1 Department of Civil Engineering, Shahrood University of Technology, Shahrood, Iran
2 Professor, Water and Environmental Engineering, Collage of Civil Engineering, , Shahrood University of Technology, Iran
3 Department of Remote sensing and GIS, Shahrood university of Technology. Shahrood. Iran
چکیده English

Streamflow forecasting models play a crucial role in hydrological issues, such as the determination of reservoir inflows and flood forecasting. In this research, artificial intelligence hybrid models including ANFIS and GA-ANN have been used for short-term (daily) streamflow forecasting. This research aims to predict the outlet of the Latiyan basin, Tehran province, from 2017 to 2018. For this purpose, a snow-covered area (SCA) is obtained from the processing of Sentinel-2 optical satellite images. Then, in order to extract the effective snow, the fusion algorithm is applied for Sentinel-1 and 2 integrations. Finally, the artificial intelligence model with the help of the effective snow parameter along with other daily hydrometric and meteorological data including daily precipitation, temperature, and discharge is applied to forecast the daily outlet of the basin. Also, to improve the model performance, the seasonal index has been used to identify streamflow trends and better model training. The results showed that the prediction model using satellite data has improved its performance by 37%, which shows the direct effect of the snow parameter on the basin runoff. In addition, the trend of changes in the effective snow parameter has a favorable agreement with the flow trend of the basin, especially in the peak flows. Also, using seasonal information as an input parameter can improve the results of the prediction models by approximately 22%. In addition, the AI method based on fuzzy inference (ANFIS) showed better performance than the developed neural network method (GA-ANN) based on statistical indices.

کلیدواژه‌ها English

streamflow forecast
. Latiyan Basin
AI methods
Sentinel I and II
fusion approach
وزارت نیرو، شرکت مدیریت منابع آب ایران، شرکت آب منطقه‌ای تهران. 1388. طرح سامان دهی آبهای سطحی جنوب تهران (مطالعات کمی و کیفی)، جلد هشتم: گزارش مطالعات آب­های سطحی جنوب تهران (مطالعات کمی و کیفی) کد گزارش: TWM/DWRP-02.
Adib, A. and Jahanbakhshan, H., 2013. Stochastic approach to determination of suspended sediment concentration in tidal rivers by artificial neural network and genetic algorithm. Canadian Journal of Civil Engineering, 40(4), pp.299-312.
Agrawal, S., Sarkar, S., Alazab, M., Maddikunta, P.K.R., Gadekallu, T.R. and Pham, Q.V., 2021. Genetic CFL: hyperparameter optimization in clustered federated learning. Computational Intelligence and Neuroscience, 2021.
Besic, N., Vasile, G., Dedieu, J.P., Chanussot, J. and Stankovic, S., 2014. Stochastic approach in wet snow detection using multitemporal SAR data. IEEE Geoscience and Remote Sensing Letters, 12(2), pp.244-248.
Brombacher, J., Reiche, J., Dijksma, R. and Teuling, A.J., 2020. Near-daily discharge estimation in high latitudes from Sentinel-1 and 2: A case study for the Icelandic Þjórsá river. Remote sensing of Environment, 241, p.111684.
Chang, F.J. and Chang, Y.T., 2006. Adaptive neuro-fuzzy inference system for prediction of water level in reservoir. Advances in water resources, 29(1), pp.1-10.
Cornet, Y., de Béthune, S., Binard, M., Muller, F., Legros, G. and Nadasdi, I., 2001, November. RS data fusion by local mean and variance matching algorithms: their respective efficiency in a complex urban context. In IEEE/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas (Cat. No. 01EX482) (pp. 105-111). IEEE.
Conde, V., Nico, G., Mateus, P., Catalão, J., Kontu, A. and Gritsevich, M., 2019. On the estimation of temporal changes of snow water equivalent by spaceborne SAR interferometry: A new application for the Sentinel-1 mission. Journal of Hydrology and Hydromechanics.
Dariane, A.B. and Azimi, S., 2016. Forecasting streamflow by combination of a genetic input selection algorithm and wavelet transforms using
ANFIS models. Hydrological Sciences Journal, 61(3), pp.585-600.
De Gregorio, L., Günther, D., Callegari, M., Strasser, U., Zebisch, M., Bruzzone, L. and Notarnicola, C., 2019. Improving SWE estimation by fusion of snow models with topographic and remotely sensed data. Remote Sensing, 11(17), p.2033.
Dempster, A.P., 2008. Upper and lower probabilities induced by a multivalued mapping. Classic works of the Dempster-Shafer theory of belief functions, 219(2), pp.57-72.
Dietz, A.J., Kuenzer, C., Gessner, U. and Dech, S., 2012. Remote sensing of snow–a review of available methods. International Journal of Remote Sensing, 33(13), pp.4094-4134.
Esmaeelzadeh, S.R., Adib, A. and Alahdin, S., 2015. Long-term streamflow forecasts by Adaptive Neuro-Fuzzy Inference System using satellite images and K-fold cross-validation (Case study: Dez, Iran). KSCE Journal of Civil Engineering, 19, pp.2298-2306.
Esmaeelzadeh, R., Golian, S., Sharific, S. and Bigdel, B., 2021. Enhanced Long-term and Snow-based Streamflow Forecasting by Artificial Intelligent Methods Using Satellite Imagery and Seasonal Information. Russian Meteorology and Hydrology, 46, pp.396-402.
Freund, Y., 1995. Boosting a weak learning algorithm by majority. Information and computation, 121(2), pp.256-285.
Hagolle, O., Colin, J., Coustance, S., Kettig, P., d'Angelo, P., Auer, S., Doxani, G. and Desjardins, C., 2021. Sentinel-2 surface reflectance products generated by CNES and DLR: methods, validation and applications. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, pp.9-15.
Jain, A., Kumar Varshney, A. and Chandra Joshi, U., 2001. Short-term water demand forecast modelling at IIT Kanpur using artificial neural networks. Water resources management, 15, pp.299-321.
Keller, J.M., Gray, M.R. and Givens, J.A., 1985. A fuzzy k-nearest neighbor algorithm. IEEE transactions on systems, man, and cybernetics, (4), pp.580-585.
Khazaee Poul, A., Shourian, M. and Ebrahimi, H., 2019. A comparative study of MLR, KNN, ANN and ANFIS models with wavelet transform in monthly stream flow prediction. Water Resources Management, 33, pp.2907-2923.
Kuncheva, L.I., Whitaker, C.J., Shipp, C.A. and Duin, R.P., 2003. Limits on the majority vote accuracy in classifier fusion. Pattern Analysis & Applications, 6, pp.22-31.
Liu, Y., Ye, L., Qin, H., Hong, X., Ye, J. and Yin, X., 2018. Monthly streamflow forecasting based on hidden Markov model and Gaussian Mixture Regression. Journal of Hydrology, 561, pp.146-159.
Nagler, T. and Rott, H., 2000. Retrieval of wet snow by means of multitemporal SAR data. IEEE Transactions on Geoscience and Remote Sensing, 38(2), pp.754-765.
Nagler, T., Rott, H., Ripper, E., Bippus, G. and Hetzenecker, M., 2016. Advancements for snowmelt monitoring by means of Sentinel-1 SAR. Remote Sensing, 8(4), p.348.
Negi, H.S., Kulkarni, A.V. and Semwal, B.S., 2009. Estimation of snow cover distribution in Beas basin, Indian Himalaya using satellite data and ground measurements. Journal of Earth System Science, 118, pp.525-538.
Nagajothi, V., Priya, M.G. and Sharma, P., 2019. Snow cover estimation of western himalayas using sentinel-2 high spatial resolution data. Indian Journal of Ecology, 46(1), pp.88-93.
Nourani, V., Baghanam, A.H., Adamowski, J. and Kisi, O., 2014. Applications of hybrid wavelet–artificial intelligence models in hydrology: a review. Journal of Hydrology, 514, pp.358-377.
Orlíková, L. and Horák, J., 2019, May. Land cover classification using sentinel-1 SAR data. In 2019 International Conference on Military Technologies (ICMT) (pp. 1-5). IEEE.
Reddy, G.T., Reddy, M.P.K., Lakshmanna, K., Rajput, D.S., Kaluri, R. and Srivastava, G., 2020. Hybrid genetic algorithm and a fuzzy logic classifier for heart disease diagnosis. Evolutionary Intelligence, 13, pp.185-196.
Salzano, R., Salvatori, R., Valt, M., Giuliani, G., Chatenoux, B. and Ioppi, L., 2019. Automated
classification of terrestrial images: the contribution to the remote sensing of snow cover. Geosciences, 9(2), p.97.
Shimamura, Y., Izumi, T. and Matsuyama, H., 2006. Evaluation of a useful method to identify snow‐covered areas under vegetation–comparisons among a newly proposed snow index, normalized difference snow index, and visible reflectance. International journal of remote sensing, 27(21), pp.4867-4884.
Shiri, J. and Kisi, O., 2010. Short-term and long-term streamflow forecasting using a wavelet and neuro-fuzzy conjunction model. Journal of Hydrology, 394(3-4), pp.486-493.
Snapir, B., Momblanch, A., Jain, S.K., Waine, T.W. and Holman, I.P., 2019. A method for monthly mapping of wet and dry snow using Sentinel-1 and MODIS: Application to a Himalayan River basin. International Journal of Applied Earth Observation and Geoinformation, 74, pp.222-230.
Strobl, R.O. and Forte, F., 2007. Artificial neural network exploration of the influential factors in drainage network derivation. Hydrological Processes: An International Journal, 21(22), pp.2965-2978.
Stiles, W. H., & Ulaby, F. T., 1980. The active and passive microwave response to snow parameters: 1. Wetness. Journal of Geophysical Research: Oceans, 85(C2), pp.1037-1044.
Tsai, Y.L.S., Dietz, A., Oppelt, N. and Kuenzer, C., 2019. Remote sensing of snow cover using spaceborne SAR: A review. Remote Sensing, 11(12), p.1456.
 Tsai, Y.L.S., Dietz, A., Oppelt, N. and Kuenzer, C., 2019. Wet and dry snow detection using Sentinel-1 SAR data for mountainous areas with a machine learning technique. Remote Sensing, 11(8), p.895.
Tsai, Y.L.S., Dietz, A., Oppelt, N. and Kuenzer, C., 2019. A combination of PROBA-V/MODIS-based products with Sentinel-1 SAR data for detecting Wet and Dry snow cover in mountainous areas. Remote Sensing, 11(16), p.1904.
Uysal, G. and Şorman, A.Ü., 2017. Monthly streamflow estimation using wavelet-artificial neural network model: A case study on Çamlıdere
dam basin, Turkey. Procedia computer science, 120, pp.237-244.
Vapnik, V., 1998. Statistical Learning Theory: New York etc.
Wang, Z., Palade, V. and Xu, Y., 2006, September. Neuro-fuzzy ensemble approach for microarray cancer gene expression data analysis. In 2006 international symposium on evolving fuzzy systems (pp. 241-246). IEEE.
Zangeneh Sirdari, Z. and Zangeneh Sirdari, N., 2015. Bedload transport predictions based on field measurement data by combination of artificial neural network and genetic programming. Pollution, 1(1), pp.85-94.