Published November 21, 2022
| Version v1
Publication
Open
Prediction of lake water-level fluctuations using adaptive neuro-fuzzy inference system hybridized with metaheuristic optimization algorithms
Creators
- 1. Institute of Applied Technology
- 2. Lund University
- 3. University of Shahrood
- 4. University of Skikda
- 5. Higher University of San Andrés
- 6. Indian Institute of Technology Roorkee
- 7. Najran University
- 8. King Khalid University
- 9. Van Lang University
Description
Abstract Lakes help increase the sustainability of the natural environment and decrease food chain risk, agriculture, ecosystem services, and leisure recreational activities locally and globally. Reliable simulation of monthly lake water levels is still an ongoing demand for multiple environmental and hydro-informatics engineering applications. The current research aims to utilize newly developed hybrid data-intelligence models based on the ensemble adaptive neuro-fuzzy inference system (ANFIS) coupled with metaheuristics algorithms for lake water-level simulation by considering the effect of seasonality on Titicaca Lake water-level fluctuations. The classical ANFIS model was trained using three metaheuristics nature-inspired optimization algorithms, including the genetic algorithm (ANFIS-GA), particle swarm optimizer (ANFIS-PSO), and whale optimization algorithm (ANFIS-WOA). For determining the best set of the input variables, an evolutionary approach based on several lag months has been utilized prior to the lake water-level simulation process using the hybrid models. The proposed hybrid models were investigated for accurately simulating the monthly water levels at Titicaca Lake. The ANFIS-WOA model exhibited the best prediction performance for lake water-level pattern measurement in this study. For the best scenario (the inputs were $${X}_{t-1},\; {X}_{t-2}, \;{X}_{t-3}, \;{X}_{t-4}, \; {X}_{t-12}$$ X t - 1 , X t - 2 , X t - 3 , X t - 4 , X t - 12 ) the ANFIS-WOA model attained root mean square error (RMSE $$\approx$$ ≈ 0.08 m), mean absolute error (MAE $$\approx$$ ≈ 0.06 m), and coefficient of determination ( R 2 $$\approx$$ ≈ 0.96). Also, the results showed that long-term seasonal memory for this lake is suitable input for lake water-level models so that the long-term dynamic memory of 1-year time series for lake water-level data is the best input for estimating the water level of Titicaca Lake.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تساعد البحيرات المجردة على زيادة استدامة البيئة الطبيعية وتقليل مخاطر السلسلة الغذائية والزراعة وخدمات النظام الإيكولوجي والأنشطة الترفيهية الترفيهية محليًا وعالميًا. لا تزال المحاكاة الموثوقة لمستويات مياه البحيرة الشهرية طلبًا مستمرًا على العديد من التطبيقات الهندسية البيئية والمعلوماتية المائية. يهدف البحث الحالي إلى استخدام نماذج ذكاء البيانات الهجينة المطورة حديثًا بناءً على نظام الاستدلال العصبي الضبابي التكيفي (ANFIS) إلى جانب خوارزميات metaheuristics لمحاكاة مستوى مياه البحيرة من خلال النظر في تأثير الموسمية على تقلبات مستوى مياه بحيرة تيتيكاكا. تم تدريب نموذج ANFIS الكلاسيكي باستخدام ثلاثة خوارزميات تحسين مستوحاة من الطبيعة، بما في ذلك الخوارزمية الجينية (ANFIS - GA)، ومُحسِّن سرب الجسيمات (ANFIS - PSO)، وخوارزمية تحسين الحيتان (ANFIS - WOA). لتحديد أفضل مجموعة من متغيرات المدخلات، تم استخدام نهج تطوري يعتمد على عدة أشهر من التأخير قبل عملية محاكاة مستوى مياه البحيرة باستخدام النماذج الهجينة. تم التحقيق في النماذج الهجينة المقترحة لمحاكاة مستويات المياه الشهرية بدقة في بحيرة تيتيكاكا. أظهر نموذج ANFIS - WOA أفضل أداء تنبؤي لقياس نمط مستوى مياه البحيرة في هذه الدراسة. للحصول على أفضل سيناريو (كانت المدخلات ${X}_{ t -1}, \;{ X }_{ t -2}, \;{ X }_{ t -3}, \;{ X }_{ t -4}, \;{ X }_{ t -12 }$ X t - 1 , X t - 2, X t - 3 , X t - 4 , X t - 12 ) حقق نموذج ANFIS - WOA متوسط الخطأ الجذر التربيعي (RMSE $$\ approx$ ≈ 0.08 m), متوسط الخطأ المطلق (MAE $$\ approx$$ ≈ 0.06 m), ومعامل التحديد ( R 2 $$\ approx$ ≈ 0.96). كما أظهرت النتائج أن الذاكرة الموسمية طويلة الأجل لهذه البحيرة هي مدخلات مناسبة لنماذج مستوى مياه البحيرة بحيث تكون الذاكرة الديناميكية طويلة الأجل لسلسلة زمنية مدتها عام واحد لبيانات مستوى مياه البحيرة هي أفضل مدخلات لتقدير مستوى مياه بحيرة تيتيكاكا.Translated Description (French)
Les lacs abstraits contribuent à accroître la durabilité de l'environnement naturel et à réduire les risques liés à la chaîne alimentaire, à l'agriculture, aux services écosystémiques et aux activités récréatives de loisirs aux niveaux local et mondial. La simulation fiable des niveaux d'eau mensuels des lacs est toujours une demande constante pour de multiples applications d'ingénierie environnementale et hydro-informatique. La recherche actuelle vise à utiliser des modèles hybrides de données-intelligence nouvellement développés basés sur le système d'inférence neuro-fuzzy adaptatif d'ensemble (ANFIS) couplé à des algorithmes métaheuristiques pour la simulation du niveau d'eau du lac en tenant compte de l'effet de la saisonnalité sur les fluctuations du niveau d'eau du lac Titicaca. Le modèle ANFIS classique a été formé à l'aide de trois algorithmes d'optimisation inspirés de la nature métaheuristique, notamment l'algorithme génétique (ANFIS-GA), l'optimiseur d'essaim de particules (ANFIS-PSO) et l'algorithme d'optimisation des baleines (ANFIS-WOA). Pour déterminer le meilleur ensemble de variables d'entrée, une approche évolutive basée sur plusieurs mois de décalage a été utilisée avant le processus de simulation du niveau d'eau du lac à l'aide des modèles hybrides. Les modèles hybrides proposés ont été étudiés pour simuler avec précision les niveaux d'eau mensuels au lac Titicaca. Le modèle ANFIS-WOA a présenté la meilleure performance de prédiction pour la mesure du modèle de niveau d'eau du lac dans cette étude. Pour le meilleur scénario (les entrées étaient $ ${X}_{t-1},\ ; {X}_{t-2}, \ ;{X}_{t-3}, \ ;{X}_{t-4}, \ ; {X}_{t-12}$$ X t - 1 , X t - 2 , X t - 3 , X t - 4 , X t - 12 ), le modèle ANFIS-WOA a atteint l'erreur quadratique moyenne (RMSE $$\approx$$ ≈ 0,08 m), l'erreur absolue moyenne (MAE $$\approx$$ ≈ 0,06 m) et le coefficient de détermination ( R 2 $$\approx$$ ≈ 0,96). En outre, les résultats ont montré que la mémoire saisonnière à long terme pour ce lac est une entrée appropriée pour les modèles de niveau d'eau du lac, de sorte que la mémoire dynamique à long terme des séries chronologiques d'un an pour les données de niveau d'eau du lac est la meilleure entrée pour estimer le niveau d'eau du lac Titicaca.Translated Description (Spanish)
Los lagos abstractos ayudan a aumentar la sostenibilidad del entorno natural y disminuyen el riesgo de la cadena alimentaria, la agricultura, los servicios ecosistémicos y las actividades recreativas de ocio a nivel local y mundial. La simulación confiable de los niveles mensuales de agua del lago sigue siendo una demanda continua para múltiples aplicaciones de ingeniería ambiental e hidroinformática. La investigación actual tiene como objetivo utilizar modelos híbridos de inteligencia de datos recientemente desarrollados basados en el sistema de inferencia neurofuzzy adaptativa (ANFIS) junto con algoritmos metaheurísticos para la simulación del nivel del agua del lago al considerar el efecto de la estacionalidad en las fluctuaciones del nivel del agua del lago Titicaca. El modelo ANFIS clásico se entrenó utilizando tres algoritmos de optimización metaheurísticos inspirados en la naturaleza, incluido el algoritmo genético (ANFIS-GA), el optimizador de enjambre de partículas (ANFIS-PSO) y el algoritmo de optimización de ballenas (ANFIS-WOA). Para determinar el mejor conjunto de variables de entrada, se ha utilizado un enfoque evolutivo basado en varios meses de retraso antes del proceso de simulación del nivel del agua del lago utilizando los modelos híbridos. Los modelos híbridos propuestos se investigaron para simular con precisión los niveles mensuales de agua en el lago Titicaca. El modelo ANFIS-WOA mostró el mejor rendimiento de predicción para la medición del patrón del nivel del agua del lago en este estudio. Para el mejor escenario (las entradas fueron $${X}_{t-1},\; {X}_{t-2}, \;{X}_{t-3}, \;{X}_{t-4}, \; {X}_{t-12}$$ X t - 1 , X t - 2 , X t - 3 , X t - 4 , X t - 12 ), el modelo ANFIS-WOA alcanzó el error cuadrático medio (RMSE $$\approx$$ ≈ 0.08 m), el error absoluto medio (MAE $$\approx$ ≈ 0.06 m) y el coeficiente de determinación ( R 2 $$\approx$$ ≈ 0.96). Además, los resultados mostraron que la memoria estacional a largo plazo para este lago es un insumo adecuado para los modelos de nivel de agua del lago, de modo que la memoria dinámica a largo plazo de series de tiempo de 1 año para los datos del nivel de agua del lago es el mejor insumo para estimar el nivel de agua del lago Titicaca.Files
s13201-022-01815-z.pdf.pdf
Files
(1.7 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:aa334843270447cfeb55cc93de21008a
|
1.7 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التنبؤ بتقلبات مستوى مياه البحيرة باستخدام نظام الاستدلال العصبي الضبابي التكيفي المهجن مع خوارزميات التحسين metaheuristic
- Translated title (French)
- Prédiction des fluctuations du niveau de l'eau du lac à l'aide d'un système d'inférence neuro-fluzzy adaptatif hybridé avec des algorithmes d'optimisation métaheuristique
- Translated title (Spanish)
- Predicción de las fluctuaciones del nivel del agua del lago utilizando un sistema de inferencia adaptativa neurofuzzy hibridado con algoritmos de optimización metaheurística
Identifiers
- Other
- https://openalex.org/W4309782718
- DOI
- 10.1007/s13201-022-01815-z
References
- https://openalex.org/W1609200543
- https://openalex.org/W1642823516
- https://openalex.org/W165772476
- https://openalex.org/W1693700910
- https://openalex.org/W1982201779
- https://openalex.org/W1987102910
- https://openalex.org/W1993647351
- https://openalex.org/W2001643168
- https://openalex.org/W2011722613
- https://openalex.org/W2019207321
- https://openalex.org/W2040764940
- https://openalex.org/W2041604057
- https://openalex.org/W2047820328
- https://openalex.org/W2077831453
- https://openalex.org/W2152195021
- https://openalex.org/W2166922785
- https://openalex.org/W2168473379
- https://openalex.org/W2290883490
- https://openalex.org/W2490255384
- https://openalex.org/W2509011594
- https://openalex.org/W2510289107
- https://openalex.org/W2592435569
- https://openalex.org/W2621028994
- https://openalex.org/W2621378998
- https://openalex.org/W2687873942
- https://openalex.org/W2761698665
- https://openalex.org/W2765198615
- https://openalex.org/W2782182518
- https://openalex.org/W2795272543
- https://openalex.org/W2811266281
- https://openalex.org/W2889358082
- https://openalex.org/W2892729613
- https://openalex.org/W2894455082
- https://openalex.org/W2898051319
- https://openalex.org/W2901740043
- https://openalex.org/W2911052303
- https://openalex.org/W2922096023
- https://openalex.org/W2922123535
- https://openalex.org/W2942855061
- https://openalex.org/W2946572392
- https://openalex.org/W2947446818
- https://openalex.org/W2951251697
- https://openalex.org/W2954670302
- https://openalex.org/W2959133959
- https://openalex.org/W2969357546
- https://openalex.org/W2977352714
- https://openalex.org/W2980597459
- https://openalex.org/W2982556279
- https://openalex.org/W2991583056
- https://openalex.org/W2997624500
- https://openalex.org/W2999047073
- https://openalex.org/W3005185122
- https://openalex.org/W3010185991
- https://openalex.org/W3010986668
- https://openalex.org/W3011744717
- https://openalex.org/W3013957052
- https://openalex.org/W3017885413
- https://openalex.org/W3024329620
- https://openalex.org/W3025814049
- https://openalex.org/W3033382461
- https://openalex.org/W3033820437
- https://openalex.org/W3084459866
- https://openalex.org/W3084901498
- https://openalex.org/W3183873954
- https://openalex.org/W3201096577
- https://openalex.org/W4213279713
- https://openalex.org/W4220756253
- https://openalex.org/W4220982439
- https://openalex.org/W4224925171
- https://openalex.org/W4300960324