تخمینی از جریان های سطحی تنگه هرمز با استفاده از مدل GMDH

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دکتری فیزیک دریا، دانشگاه علوم و فنون دریایی خرمشهر، خرمشهر

2 دانشکده علوم دریایی و محیطی، دانشگاه مازندران، بابلسر

3 دانشکده مهندسی برق، دانشگاه مازندران، بابلسر

4 استادیار ، دانشگاه علوم و فنون دریایی خرمشهر

چکیده

شناخت جریان‌های سطحی یکی از موضوعات اساسی در اقیانوس‌شناسی است. این جریان‌ها براثر عوامل مختلفی از قبیل حضور باد غالب، چرخش زمین و تغییر در چگالی آب دریا به وجود می‌آیند. در این مطالعه به پیش‌بینی جریان‌های سطحی تنگه هرمز با استفاده از مدل GMDH پرداخته شده است. برای راه‌اندازی این مدل، داده‌های سری زمانی سرعت جریان سطحی این حوضه با گام میانگین زمانی 5 روزه به‌کار برده شده است. برای بررسی محدوده‌های سطحی مؤثر بر جریان‌های تنگه هرمز، حوزه خلیج‌فارس به 11 محدوده تقسیم شد. سپس با استفاده از تحلیل رگرسیونی و مدل GMDH و 11 محدوده مشخص شده، سه ناحیه حواشی تنگه هرمز که بر جریان‌های سطحی این تنگه مؤثرتر هستند، انتخاب شد. در ادامه با استفاده از الگوی تبادل آب جونز و همکاران که در سال 2003 ارائه شده، ترکیبات مختلفی از سه ناحیه مشخص شده استخراج و به‌عنوان ورودی مدل GMDH به‌کار برده شدند. نتایج نشان می‌دهد که ترکیب این سه ناحیه و استفاده از الگوی جریان‌های جونز سبب کاهش شاخص خطای پیش‌بینی نسبت به حالت قبل از ترکیب آن‌ها می‌شود. در ادامه به علت حضور گردابه‌هایی پادساعتگرد در مقیاس حوضچه‌ای در ماه‌های مارس تا جولای، کارایی مدل با حذف این ماه‌ها مورد بررسی قرار گرفته شد که دقت مدل با این روش کاهش یافت. در انتها با دسته‌بندی داده‌ها مشخص شد که مدل GMDH دقت مناسبی در پیش‌بینی سرعت‌های بالا دارد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Estimation of surface currents in the Strait of Hormuz using the GMDH model

نویسندگان [English]

  • Homayoon Ahmadvand 1
  • Mohammad Akbarinasab 2
  • Iman Esmailli 3
  • Mohammad Ali Najarpour 4
1 Faculty of Marine Sciences and Oceanography, Khorramshahr university of Marine science and technology
2 Faculty of Marine Sciences, University of Mazandaran, Babolsar
3 Faculty of Electrical Engineering, Mazandaran University, Babolsar
4 Faculty of Marine Sciences and Oceanography, Khorramshahr university of Marine science and technology, Khorramshahr
چکیده [English]

Understanding surface currents is one of the fundamental topics in oceanography. These currents are caused by various factors such as the presence of prevailing wind, earth  rotation and changes in the density of seawater. In this study, the surface currents of the Strait of Hormuz have been predicted using the Group method of data handling (GMDH) model. To set up this model, the time series data of the surface flow velocity of this basin with an average time step of 5 days have been used. To investigate the surface areas affecting the currents of the Strait of Hormuz, the Persian Gulf basin was divided into 11 areas. Then, using regression analysis , GMDH model and 11 identified area, three marginal areas of the Strait of Hormuz that most affect the surface currents of this strait were selected. Then, using the water exchange model of Jones et al., Presented in 2003, different compounds were extracted from the three identified areas and used as input to the GMDH model. The results showed that the combination of these three zones and using of Jones flow pattern reduce the prediction error index compared to their pre-combined state. Then, due to the presence of anti-clockwise eddy on a basin scale in the months of March to July, the efficiency of the model was investigated by removing these months, which reduced the accuracy of the model with this method. Finally, by data classification, it was found that the GMDH model has good accuracy in predicting high speeds.

کلیدواژه‌ها [English]

  • Surface currents
  • Strait of Hormuz
  • GMDH model
  • Regression analysis
  • Johns schema

مراجع

[1] Makkeh SA, Ahmadi A, Esmaeilion F, Ehyaei MA. Energy, exergy and exergoeconomic optimization of a cogeneration system integrated with parabolic trough collector-wind turbine with desalination. Journal of Cleaner Production. 2020 Nov 10;273:123122.
[2] 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.
[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] Swift SA, Bower AS. Formation and circulation of dense water in the Persian Gulf. Journal of Geophysical Research: Oceans. 2003 Jan;108(C1):4-1.
[5] Sadrinasab M, Kämpf J. Three‐dimensional flushing times of the Persian Gulf. Geophysical research letters. 2004 Dec;31(24).
[6] Johns WE, Yao F, Olson DB, Josey SA, Grist JP, Smeed DA. Observations of seasonal exchange through the Straits of Hormuz and the inferred heat and freshwater budgets of the Persian Gulf. Journal of Geophysical Research: Oceans. 2003 Dec;108(C12).
[7] Thoppil PG, Hogan PJ. A modeling study of circulation and eddies in the Persian Gulf. Journal of Physical Oceanography. 2010 Sep;40(9):2122-34.
[8] Aldababseh A, Temimi M. Analysis of the long-term variability of poor visibility events in the UAE and the link with climate dynamics. Atmosphere. 2017 Dec;8(12):242.
[9]ترابی‌آزاد مسعود، حمزه‌ئی صمد. مطالعه میدانی جریان‌های شمال تنگه هرمز.  فصلنامه علوم و تکنولوژی محیط‌زیست. 1395؛ 18(1) : 77-61.
[10] Mehrfar H, Azad MT, Lari K, Bidokhti AA. A numerical simulation case study of the coastal currents and upwelling in the western Persian Gulf. Journal of Ocean Engineering and Science. 2020 Dec 1;5(4):323-32.
[11] Azad MT, Mehrfar H. Seasonal variation of coastal jets in the Persian Gulf using field studies. Journal of Research in Marine Sciences. 2017 Jun 1;2(2):106-11.
[12] Azizpour J, Siadatmousavi SM, Chegini V. Measurement of tidal and residual currents in the Strait of Hormuz. Estuarine, Coastal and Shelf Science. 2016 Sep 5;178:101-9.
]13[ قاضی ارم، عظام مجتبی، علی‌اکبری بیدختی عباسعلی، ترابی‌آزاد مسعود، حسن‌زاده اسماعیل. شبیه‌سازی جبهه ترموهالاینی جریان خروجی خلیج‌فارس در دریای عمان. هیدروفیزیک. 1397: 4(1): 17-1.
[14] Duo Z, Wang W, Wang H. Oceanic mesoscale eddy detection method based on deep learning. Remote Sensing. 2019 Jan;11(16):1921.
[15] Li J, Liang Y, Zhang J, Yang J, Song P, Cui W. A new automatic oceanic mesoscale eddy detection method using satellite altimeter data based on density clustering. Acta Oceanologica Sinica. 2019 May;38(5):134-41.
[16] Mahpeykar O, Ashtari Larki A, Akbarinasab M. Numerical Modelling and Automatic Detection of submesoscale eddies in Persian Gulf Using aVector Geometry Algorithm. Journal of the Earth and Space Physics. 2021; 47(1): 109-125.
[17] Kamranzad B, Etemad-Shahidi A, Kazeminezhad MH. Wave height forecasting in Dayyer, the Persian Gulf. Ocean engineering. 2011 Jan 1;38(1):248-55.
[18] Gopinath DI, Dwarakish GS. Wave prediction using neural networks at New Mangalore Port along west coast of India. Aquatic Procedia. 2015 Jan 1;4:143-50.
[19] Asma S, Sezer A, Ozdemir O. MLR and ANN models of significant wave height on the west coast of India. Computers & Geosciences. 2012 Dec 1;49:231-7.
[20] Nagy HM, Watanabe KA, Hirano M. Prediction of sediment load concentration in rivers using artificial neural network model. Journal of Hydraulic Engineering. 2002 Jun;128(6):588-95.
[21] Cigizoglu HK, Alp M. Generalized regression neural network in modelling river sediment yield. Advances in Engineering Software. 2006 Feb 1;37(2):63-8.
[22] Karunanithi N, Grenney WJ, Whitley D, Bovee K. Neural networks for river flow prediction. Journal of computing in civil engineering. 1994 Apr;8(2):201-20.
[23] Tokar AS, Johnson PA. Rainfall-runoff modeling using artificial neural networks. Journal of Hydrologic Engineering. 1999 Jul;4(3):232-9.
[24] Pham DT, Liu X. Modelling and prediction using GMDH networks of Adalines with nonlinear preprocessors. International journal of systems science. 1994 Nov 1;25(11):1743-59.
[25] NASA. ocean motion and surface current [Internet]. 2015. [cited 2015 Nov]. Available from: http://oceanmotion.org/
[26] Onwubolu GC. Design of hybrid differential evolution and group method of data handling networks for modeling and prediction. Information Sciences. 2008 Sep 15;178(18):3616-34.
[27] Najafzadeh M, Lim SY. Application of improved neuro-fuzzy GMDH to predict scour depth at sluice gates. Earth Science Informatics. 2015 Mar 1;8(1):187-96.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار