عنوان

بهره گیری از مفهوم محتوای اطلاعاتی) آنتروپی (در استخراج ویژگی های مبتنی بر موجک در فرآیند بارش- رواناب

‭۶۰۲۲پ‬

per

بهره گیری از مفهوم محتوای اطلاعاتی) آنتروپی (در استخراج ویژگی های مبتنی بر موجک در فرآیند بارش- رواناب

/توحید رضا پوذ خانقاه

تبریز : دانشگاه تبریز ، دانشکده عمران

‮‭۱۲۴‬ ص‬

چاپی

کارشناسی ارشد

عمران - آب

‮‭۱۳۹۱/۰۶/۰۱‬

تبریز : دانشگاه تبریز ، دانشکده عمران

تاکنون برای بیان مفهومی چرخه هیدرولوژیکی، به طور عمده، از مدلسازی های ریاضی استفاده شده است که هدف اصلی این مدل ها پیش بینی های هیدرولوژیکی و همچنین درک بهتر فرایندها می باشد .فرایند بارش- رواناب مهمترین قسمت چرخه هیدرولوژیکی است .مدلسازی جامع و دقیق این فرایند در یک حوضه خاص می تواند اطلاعات مهمی در زمینه چگونگی و محل ایجاد شهرها، نحوه کاربری اراضی، مهار سیلاب ها و مدیریت منابع آب در آن حوضه به دست دهد .تاکنون مدل های متعددی برای ساده سازی این فرایند پیچیده هیدرولوژیکی گسترش داده شده اند .در این پژوهش، فرایند بارش- رواناب حوضه ‮‭Delaney Creek‬ در ایالت فلوریدای آمریکا با استفاده از شبکه های عصبی مصنوعی مدل شده است .با توجه به وجود دوره های تناوب فصلی مختلف در این فرایند، هر دو سری زمانی روزانه بارش و رواناب با استفاده از تبدیل موجک به چندین زیرسری زمانی تجزیه شده و زیرسری های اصلی به عنوان ورودی مدل های شبکه عصبی مصنوعی معرفی شده اند .سه نوع از توابع موجک مادر‮‭(Haar‬ ، ‮‭db۲‬ و ‮‭db۴)‬ برای انجام این تجزیه زمانی به کار گرفته شده اند .تعیین زیرسری های زمانی اصلی به عنوان ورودی های مدل، اغلب منجر به کاهش نرون های لایه ورودی در شبکه عصبی و خطاهای مدل می گردد .به منظور تعیین زیرسری های زمانی اصلی از آنتروپی شانون) محتوای اطلاعاتی (استفاده شده است .برای نیل به این هدف، از دو معیار مبتنی بر آنتروپی شانون یعنی آنتروپی ‮‭(H)‬ و اطلاعات مشترک ‮‭(MI)‬ بهره جسته شده و نتایج به دست آمده با نتایج حاصل از دو معیار دیگر) ضریب همبستگی خطی و میزان انرژی موجک (مقایسه شده است .بررسی مدلسازی های مختلف نشان می دهد که مدل عصبی_موجکی مبتنی بر آنتروپی شانون بهتر از مدل شبکه عصبی ساده عمل می کند .همچنین نتایج ثابت می کند که از بین چهار معیاری که به منظور گزینش زیرسری های زمانی اصلی استفاده شده اند، ‮‭MI‬ به دلیل ماهیت غیر خطی و نظارت شده اش، بهتر از سایرین عمل می کند .همچنین به استناد حاصل مدلسازی ها می توان استنباط کرد که نوع تابع موجک مادر، تأثیر فاحشی در نتایج مدلسازی ها نداشته است

The mathematical models for conceptual representation of the hydrologic cycle are primarily used for hydrologic prediction and understanding of hydrologic processes. Rainfall-runoff process is the most important part of the hydrologic cycle. A precise modeling of this process can collect effective information for city planning, land use, flood control and water resources management of a watershed. It also plays an important role in the mitigation of impacts of drought in water resources systems. Many models are yet being developed in order to define such a complex process in the field of hydrologic engineering. In this thesis, rainfall-runoff process of Delaney Creek watershed at Florida is modeled using Artificial Neural Network (ANN) approach. In order to handle the multi-frequency property of the process, both daily rainfall and runoff time series are decomposed into several sub-series by wavelet transform and dominant temporal sub-series are imposed into the ANN model. Three kinds of mother wavelets (Haar, db2 and db4) are employed to decompose the original time series. Extraction of the dominant sub-series as the model inputs in any modeling tasks, reduce the dimension of input sub-sets and the errors of the model. Shannon entropy (information content) is applied to recognize such dominant sub-series. For this purpose, two information content based methods i.e., entropy (H) and mutual information (MI) are utilized and the obtained results are also compared with other conventional feature extraction methods such as linear correlation coefficient (CC) and the wavelet energy value (E). The obtained results show that the proposed entropy based wavelet-ANN model (EWANN) performs better than sole ANN models. Consequently, the results approve that among the used feature extraction methods, MI as a supervised method may lead to reliable outcomes due to its non-linear nature and also it is inferred from the results that the change of mother wavelets has no major effect on proposed model performance

Rainfall- Runoff Modeling

Wavelet Transform

Shannon Entropy (Information Content) Theory

Mutual Information

Artificial Neural Network

Delaney Creek Watershed

رضا پور خانقاه، توحید

نورانی،وحید، استاد راهنما

اعلمی، محمد تقی، استاد مشاور

سیاه و سفید

نمایه‌سازی قبلی