آمار
| تعداد نشریات | 31 |
| تعداد شماره‌ها | 696 |
| تعداد مقالات | 7,366 |
| تعداد مشاهده مقاله | 9,207,747 |
| تعداد دریافت فایل اصل مقاله | 8,531,754 |
تأثیر کاهش نویز در تحلیل آشوبی جریان رودخانه نازلوچای | ||
| دانش آب و خاک | ||
| مقاله 19، دوره 27، شماره 3، پاییز 1396، صفحه 239-250 اصل مقاله (1723 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
حسین رضایی  1؛ ثمین جباری قره‌باغ2
| ||
| 1دانشیار گروه مهندسی آب، دانشکده کشاورزی دانشگاه ارومیه | ||
| 2دانش‌آموخته کارشناسی ارشد مهندسی منابع آب، دانشکده کشاورزی دانشگاه ارومیه | ||
| چکیده | ||
| با توجه به ماهیت دینامیک و غیر خطی جریان رودخانه، می‌توان انتظار داشت که سری زمانی جریان رودخانه از یک سیستم دینامیکی قطعی آشوبی به‌دست آمده باشد. با توجه به اینکه سری‌های زمانی به‌دست آمده از پدیده‌های طبیعی عموماً با نویز مخدوش شده‌اند، وجود نویز فرآیند تحلیل‌های آشوبی و در نهایت پیش‌بینی سری‌های زمانی را با محدودیت‌هایی مواجه می‌سازد. بنابراین در این تحقیق با استفاده از آمار دبی‌های روزانه رودخانه نازلوچای در دوره مهر 1369 تا شهریور 1391، تحلیل آشوبی شامل بررسی وجود آشوب با استفاده از روش بعد همبستگی و نیز شبیه‌سازی جریان رودخانه با استفاده از مدل تقریب موضعی انجام پذیرفت. سپس به‌منظور بررسی تأثیر نویز در فرآیند تحلیل‌ها، کاهش نویز سری زمانی به‌روش غیر خطی مبتنی بر بازسازی فضای حالت انجام گرفت. نتایج نشان‌دهنده کاهش 07/6 درصدی بعد همبستگی و افزایش دقت مدل تقریب موضعی برای سری نویز زدایی شده نسبت به سری اصلی داده‌ها (افزایش09/1 درصدی R2 و کاهش 48 درصدی RMSE) بود. در نهایت با استفاده از مدل منتخب شبیه‌سازی، پیش‌بینی جریان رودخانه با استفاده از سری اصلی و سری نویز زدایی شده برای سال آبی 92-91 انجام گرفت. نتایج مدل پیش‌بینی با استفاده از سری نویززدایی شده دارای دقت بیشتری نسبت به مدل با استفاده از سری اصلی بود. | ||
| کلیدواژه‌ها | ||
| بازسازی فضای حالت؛ بعد همبستگی؛ پیش‌بینی؛ کاهش نویز؛ مدل تقریب موضعی | ||
| عنوان مقاله [English] | ||
| Noise Reduction Effect on Chaotic Analysis of Nazluchay River Flow | ||
| نویسندگان [English] | ||
| H Rezaei1؛ S Jabbari Gharabagh2 | ||
| 1Assoc. Prof., Water Eng. Dep., Faculty of agriculture, Urmia University, Iran | ||
| 2Former M.Sc. Student, Water Eng. Dep., Faculty of agriculture, Urmia University, Iran | ||
| چکیده [English] | ||
| Considering the dynamic and nonlinear nature of river flow, it is expected that the river flow time series is obtained from a deterministic chaotic system. Since that the time series obtained from the natural phenomena are generally contaminated by noise, the presence of noise limits the chaotic analysis and consequently makes limitations in the prediction of time series. For this reason, in this study the chaotic analysis, including the evaluation of the presence of chaos using correlation dimension and simulating the river flow using Local Approximation Method, was investigated on daily series of Nazluchay River during the 1990 to 2012 period. Afterwards, in order to evaluate the noise effect on the process of analysis, noise reduction of time series was carried out by a nonlinear method based on phase space reconstruction. The results showed 6.07% decrease in correlation dimension and an increase in model accuracy for the noise reduced time series with respect to the original series (1.09% increase in R2 and 48% decrease in RMSE). Finally, by the selected simulation model, prediction of the river flow was done using the original and noise reduced time series for the 2012-2013 period. The model results predicted with the noise reduced series were found to be more accurate than those with the original series. | ||
| کلیدواژه‌ها [English] | ||
| Correlation dimension, Local approximation model, Noise reduction, Phase space reconstruction, Prediction | ||
| مراجع | ||
|
Abarbanel HDI, Brown R and Kadtke JB, 1990. Prediction in chaotic nonlinear systems: methods for time series with broadband Fourier spectra Physical Review A 41(4): 1782–1807. Casdagli M, 1989. Nonlinear prediction of chaotic time series. Physica D: Nonlinear Phenomena 35: 335-356. Cover TM and Thomas JA, 1991. Elements of Information Theory. John Wiley & Sons, Inc, New York. Domenico MD and Ghorbani MA, 2010. Chaos and scaling in daily river flow. arXiv preprint arXiv:1002.0076. Elshorbagy A, Simonovic SP and Panu US, 2002a. Estimation of missing streamflow data using principles of chaos theory. Journal of Hydrology 255: 123–133. Elshorbagy A, Simonovic SP and Panu US, 2002b. Noise reduction in hydrologic time series: facts and doubts. Journal of Hydrology 256: 147-165. Embrechts M, 1994. Basic concepts of nonlinear dynamics and chaos theory. Deboeck,GJ (Ed).Trading on the Edge. Wiley, New York. Farmer DJ and Sidorowich JJ, 1987. Predicting chaotic time series. Physical Review Letters 59: 845–848 Fattahi MH, 2014. Applying a noise reduction method to reveal chaos in the river flow time series. International Journal of Environmental, Ecological, Geological and Mining Engineering 8(8): 524-531. Jabbari Gharabagh S, 2014. Evaluation of River flow Using Chaos Theory. Master thesis for Water Resources Engineering, Faculty of Agriculture, Urmia University. Jabbari Gharabagh S, Rezaei H and Mohammadnezhad B, 2016. Comparison of reconstructed phase space and chaotic behavior of Nazloo chai river flow at different temporal scales. Journal of Water and Soil Conversation 22(5): 135-151. Jayawardena AW and Gueung AB, 2000. Noise reduction and prediction of hydrometeorological time series: dynamical system approach vs. stochastic approach. Journal of Hydrology 288: 242-264. Kantz H and Schreiber T, 1997. Nonlinear Time Series Analysis. Cambridge University Press, UK. Kellert SH, 1993. In the Wake of Chaos: Unpredictable Order in Dynamical Systems. University of Chicago Press, Chicago. Kocak K, Bali A and Bektasoglu B, 2007. Prediction of monthly flows by using chaotic approach. Pp. 553-559. International congress on river basin management, 22-24 March, Antalya, Turkey. Pari Zanganeh M, Ataei M and Moallem P, 2010. Phase space reconstruction of chaotic time series using an intelligent method. Journal of Intelligent Procedures in Electrical Technology 1(3): 3-10. Porporato A and Ridolfi L, 1997. Nonlinear analysis of river flow time sequences. Water Resources Research 33(6): 1353-1367. Schreiber T, 1993. Extremely Simple Nonlinear Noise Reduction Method, Physical Review E 47: 2401-2404. Schreiber T and Grassberger P, 1991. A simple noise reduction method for real data Physics Letters A 160: 411-418. Schouten JC, Takens F and van den Bleek CM, 1994. Estimation of the dimension of a noisy attractor. Physical Review E(3), 50: 1851-1861. Shannon CE, 1948. A Mathematical theory of communication. Bell System Technical Journal 27: 379-423 and 623-656. Sivakumar B, 2002. A phase-space reconstruction approach to prediction of suspended sediment concentration in rivers. Journal of Hydrology 258: 149-16. Sivakumar B, Phoon KK, Liong SY and Liaw CY, 1999. A systematic approach to noise reduction in chaotic hydrological time series. Journal of Hydrology 219(4): 103-135. Sugihara G and May RM, 1990. Nonlinear forecasting as a way of distinguishing chaos from measurement error in time series. Nature 344:734-741. Takens F, 1981. Detecting strange attractors in turbulence. Dynamical Systems and Turbulence, Lecture Notes in Mathematics. 898: 366-381. Velickov S, 2004. Nonlinear Dynamics and Chaos with Applications to Hydrodynamics and Hydrological Modelling. CRC Press. UK.
| ||
|
آمار تعداد مشاهده مقاله: 256 تعداد دریافت فایل اصل مقاله: 201 |
||
