بررسی ترکیب تبدیل های موجک و شبکه عصبی در پیش بینی جریان های سطحی تنگه هرمز

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه علوم و فنون دریایی خرمشهر

2 دانشگاه علوم وفنون دریایی خرمشهر

چکیده

جریان‌های سطحی اقیانوسی، نقش مهمی در انتقال گرما و تغییرات آب و هوایی دارد. ازاین‌رو، پیش‌بینی جریان‌های دریایی از اهمیت بسزایی در اقیانوس‌شناسی برخوردار است. در این پژوهش با به‌کارگیری شبکه‌‌عصبی و تکنیک تبدیل موجک به پیش‌بینی جریان‌های سطحی تنگه‌هرمز پرداخته شده است. بدین منظور داده‌های ثبت‌شده این حوزه از نوامبر سال 1992 تا دسامبر سال 2014 با گام زمانی 5 روزه از سایت ناسا تهیه و با به‌کارگیری تبدیل‌های موجک به زیر‌موجک‌های مادر Rbio، Coif، Bior، dmey، Db، Sym، haar به 10 زیرسری تجزیه و به‌عنوان ورودی مدل شبکه عصبی به‌کار گرفته شد. سپس با اجرای مدل شبکه عصبی ضرایب وزنی هر یک از زیر موجک‌ها تعیین شد. نتایج این بررسی نشان داد که زیر موجک‌های تولیدشده به‌وسیله موجک coif(5) کمترین خطا در پیش‌بینی جریانات سطحی را دارد. به‌منظور ارزیابی میزان اثربخشی هر یک از این زیر موجک‌ها‌ و دستیابی به  نتایج مطلوب در مراحل آموزش، اعتبارسنجی و آزمایش، شبکه‌های چندلایه با تعداد نورون مختلف در لایه پنهان استفاده شد که نتایج نشان داد؛ انتخاب 6 زیر موجک d1, d2 , …, d6 با مقدار خطا R=0/891 و 0/025 =RMSE در مرحله آزمایش مناسب‌ترین تعداد را در پیش‌بینی جریانات سطحی تنگه‌هرمز دارد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

The Composition of Wavelet Transforms and Neural Network in Predicting of Surface Flow in the Strait of Hormuz

نویسندگان [English]

  • Homayoon Ahmadvand 1
  • MohamadAli Najarpoor 2
1 Physical Oceanography student
چکیده [English]

In the ocean, surface flow has an important role in heat transfer and climate change. The Sea flow prediction is of great importance in oceanography. In this study, neural network and wavelet techniques were used to predict the Strait of Hormuz surface flows. The data recorded in this area from November 1992 to December 2014 with time interval of 5 days prepared from NASA and Decomposed up to 10 sub-series using wavelet mother transform such as Rbio, Coif, Bior, dmey, Db, Sym, haar and then were used as input of  neural network model. By applying wavelet and neural network weighting coefficients of each of the wavelet transformations were determined. Results showed that the wavelet generated by coif (5) has the most accurate prediction. In order to evaluate the effectiveness of favorable results in the training, validation and testing, multi-layer network with a number of different neurons in the hidden layer was used. The results show that the 6 subseries wavelet d1, d2, ..., d6 with R=0.891 and RMSE =0.025 in the test is the most appropriate number to predict the surface flow in the Strait of Hormuz.

کلیدواژه‌ها [English]

  • surface flow
  • Strait of Hormuz
  • Artificial neural network
  • wavelet transforms

1[ نوحه‌گر احمد، حسینی بالام فهیمه. مطالعه جریانات زیرسطحی و سیرکولاسیون آب در تنگه‌هرمز با روش شبیه‌سازی. ششمین همایش علوم و فنون دریایی؛ 1384دی 1-2؛ تهران، ایران.

]2[ صدری نسب مسعود. مدل‌سازی عددی سه‌بعدی گردش آب در تنگه‌هرمز. مجله اقیانوس‌شناسی. 1389؛1(1):1-6.

[3] Reynolds RM. Physical oceanography of the Gulf, Strait of Hormuz, and the Gulf of Oman—Results from the Mt Mitchell expedition. Marine Pollution Bulletin. 1993 Jan 1;27:35-59.

[4] Pous S, Carton X, Lazure P. A process study of the wind-induced circulation in the Persian Gulf. Open Journal of Marine Science. 2013;3(1):1-11.

]5[ اکبری نسب محمد. علی اکبری بیدختی عباسعلی. خلیل‌آبادی محمدرضا. خادمی ایمان. محاسبه عددی عدد پرانتل در لایه‌بندی ستون آب تنگه‌هرمز. مجله علوم و فنون دریایی. 1395.

[6] Londhe SN. Soft computing approach for real-time estimation of missing wave heights. Ocean Engineering. 2008 Aug 31;35(11):1080-9.

[7] Reikard G, Rogers WE. Forecasting ocean waves: Comparing a physics-based model with statistical models. Coastal Engineering. 2011 May 31;58(5):409-16.

[8] Savitha R, Al Mamun A. Regional ocean wave height prediction using sequential learning neural networks. Ocean Engineering. 2017 Jan 1;129:605-12.

[9] Altunkaynak A. Prediction of significant wave height using geno-multilayer perceptron. Ocean Engineering. 2013 Jan 15;58:144-53.

[10] Dawson CW, Wilby R. An artificial neural network approach to rainfall-runoff modelling. Hydrological Sciences Journal. 1998 Feb 1;43(1):47-66.

[11] Coulibaly P, Anctil F, Bobee B. Daily reservoir inflow forecasting using artificial neural networks with stopped training approach. Journal of Hydrology. 2000 May 8;230(3):244-57

[12] Jayawardena AW, Fernando TM. River flow prediction: an artificial neural network approach. IAHS PUBLICATION. 2001:239-46.

[13] Jayawardena  AW, Fernando TM KG, Chan CW ,Chan WC .Comparison of ANN, dynamical systems and suppor t vector approaches for river discharge prediction. In: Proceeding of the 19th Chinese Control Conference; 2000; Hong Kong. 2000. vol. 2, p. 504-8.

[14] Zahiri A, Dehghani AA. Flow Discharge Determination in Straight Compound Channels Using ANNs. World Academy of Science, Engineering and Technology. International Journal of Computer, Electrical, Automation, Control and Information Engineering. 2009 Oct 23;58:1-8.

[15] Jayawardena AW, Fernando TM. River flow prediction: an artificial neural network approach. IAHS PUBLICATION. 2001:239-46.

[16] Aydog B, Ayat B, Öztürk MN, Çevik EÖ, Yüksel Y. Current velocity forecasting in straits with artificial neural networks, a case study: Strait of Istanbul. Ocean Engineering. 2010 Apr 30;37(5):443-53.

[17] Zimmermann HJ, Tselentis G, Someren M, Dounias G. A review of wavelet networks, wavenets, fuzzy wavenets and their applications. In: Thuillard M. Advances in computational intelligence and learning. Netherlands: Springer; 2002 .p.43-60.

]18[ رجائی طاهر. شهابی اکبر. کاربرد مدل ترکیبی موجک- شبکه عصبی در پیش‌بینی تغییرات کوتاه‌مدت تراز سطح دریا (مطالعه موردی: بندر چابهار). مجله دریا فنون. 1393؛1(2):42-53.

]19[ شفاعی مریم، فاخری فرد احمد، دربندری صابره، قربانی محمدعلی. پیش‌بینی جریان روزانه رودخانه با استفاده از مدل هیبرید موجک و شبکه‌ ‌عصبی. مطالعه موردی ایستگاه هیدرومتری ونیار در حوضه آبریز آجی چای. مجله مهندسی آبیاری و آب. 1392؛4(14):113-128.

[20] Mirkamali MS, Keshavarz N, Bakhtiari MR. Evolution analysis of miocene channels and faults in offshore area of Strait of Hormuz (Eastern part of Persian Gulf) using seismic meta-attributes. Journal of Petroleum Science and Engineering.

      2016 Nov 30;147:116-28.

]21[ آل یعقوب سید مهدی. پیش‌بینی تندی باد میانگین ماهانه در تنگه‌هرمز با استفاده از شبکه عصبی مصنوعی برای سال 2000، با استفاده از داده‌های سال 1990. چهاردهمین کنفرانس سالانه انجمن کامپیوتر ایران؛ 1387اسفند 20-21؛ تهران، ایران.

]22[ درواری سیده‌زهرا، سلیمانی کریم، بیات فاطمه. توانایی شبکه عصبی مصنوعی در تخمین خصوصیات شیمیایی آب (مطالعه موردی رودخانه دوآب در حوضه سلیمان تنگه). کنفرانس بین‌المللی تغییرات زیست ‌محیطی منطقه خزری؛ 1387شهریور 3-4؛ بابلسر. ایران.

]23[ ابوالقاسمی مجید، موسوی میرطیب، ابوالحسن شیرازی حبیب اله. نقش خطوط انتقال نفت( ظهران به بنیع- ابوظبی به دریای عمان در اهمیت استراتژیک تنگه‌هرمز)]پایان‌نامه کارشناسی ارشد[. تهران: دانشگاه آزاد اسلامی واحد تهران مرکزی - دانشکده حقوق و علوم سیاسی؛ 1392.

]24[ اردکانی حمیدرضا، شفیعی فر مهدی، پناهی روزبه، قاسمی علی. ارائه مدلی هوشمند برای پیش‌بینی طیف امواج تنگه‌هرمز با استفاده از مدل رگرسیون درختی M5. شانزدهمین همایش صنایع دریایی ایران؛ 1393آذر 11-12؛ بندر عباس، ایران.

]25[ معتمدنیا محبوبه، صفری زارچی مهدی، ملکیان آرش، نوحه‌گر احمد، کریمی زارچی کمال، اسدی هانیه. برآورد ارتباط جریان رودخانه، پارامترها و متغیرهای کیفی آب، مطالعه موردی: رودخانه‌های شمالی تنگه‌هرمز. فصلنامه بین‌المللی پژوهشی تحلیلی منابع آب و توسعه 1393؛ 2(4).

[26] Demuth H, Beale M. Neural Network Toolbox For Use with MATLAB. 1998; MathWork Inc.

[27] Available at: http://oceanmotion.org/

[28] Rioul O, Vetterli M. Wavelets and signal processing. IEEE signal processing magazine. 1991 Oct;8(4):14-38.

[29] Merry RJ, Steinbuch M. Wavelet theory and applications—a literature study, Eindhoven University of Technology. Department of Mechanical Engineering, Control Systems Technology Group. 2005.

[30] Zhang BL, Dong ZY. An adaptive neural-wavelet model for short term load forecasting. Electric power systems research. 2001 Sep 28;59(2):121-9.

[31] Misiti M, Misiti Y, Oppenheim G, Michel JP. Wavelet toolbox: for use with MATLAB.1996.

[32] Lee TL. Back-propagation neural network for long-term tidal predictions. Ocean Engineering. 2004 Feb 29;31(2):225-38.

[33] Addison PS, Murray KB, Watson JN. Wavelet transform analysis of open channel wake flows. Journal of engineering mechanics. 2001 Jan;127(1):58-70.