اثرگذاری تغییرات آب و هوایی در پیش ‏بینی مصرف ماهانه آب شرب منطقه سیستان با استفاده از الگوریتم کرم شب‏ تاب

غفاری مقدم, زهرا; سردارشهرکی, علی

doi:10.22111/jneh.2023.42994.1912

اثرگذاری تغییرات آب و هوایی در پیش ‏بینی مصرف ماهانه آب شرب منطقه سیستان با استفاده از الگوریتم کرم شب‏ تاب

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ استادیار گروه اقتصاد کشاورزی، پژوهشکده کشاورزی، پژوهشگاه زابل، زابل

² دانشیار اقتصاد کشاورزی، دانشگاه سیستان و بلوچستان، زاهدان

10.22111/jneh.2023.42994.1912

چکیده

کمبود آب به یک معضل نگران کننده برای بسیاری از شهرهای جهان تبدیل شده است. پیش‌بینی تقاضای آب به سیاست‌گذاران و تامین‌کنندگان آب کمک می‌کند تا تعادل بین عرضه و تقاضای منابع آب شهری را حفظ کنند و در نتیجه از هدر رفت و کمبود آب جلوگیری شود. پیش بینی مصرف آب شهری تأثیر قابل توجهی در مدیریت کارآمد آب شهری در شهرهای مناطق خشک دارد به ویژه زمانی که پیامدهای تغییرات آب و هوایی در نظر گرفته شوند. در این پژوهش از پنج الگوریتم کرم شب تاب برای تخمین میزان مصرف آب شرب در منطقه سیستان برای سال‌های 1385- 1399 استفاده شده و با هم مقایسه شدند. از داده‌های سال 1385 تا 1394 جهت آموزش و یاد گیری و یافتن وزن بهینه مدل استفاده شد و از باقیمانده داده‏ها از سال1394 تا 1396 جهت آزمون مدل استفاده شد. نتایج مدل نشان داد 5 مدل مختلف الگوریتم کرم شب‏تاب می‏توانند جواب‌های محتملی بدست دهند در مدل نمایی و هیبرید میانگین خطای نسبی در الگوریتم NDFA (New dynamic firefly alghorithm)، 19/0 می‏باشد که کمترین میزان خطای نسبی را در بین دیگر الگوریتم‏ها دارد و در مدل خطی نیز الگوریتم VSSFA (Variable Step Size Firefly Algorithm) با میانگین خطای نسبی 196/0 کمترین میزان خطای نسبی را دارد. بنابراین مدل نمایی و روش NDFA کارایی بهتری نسبت به دیگر مدل‏ها و الگوریتم‏ها دارد. و دقت پیش بینی آن بالای 81% می‏باشد. پس از اطمینان از دقت الگوریتم میزان مصرف آب شرب برای سالهای 1402، 1403 و 1404 پیش بینی شد. نتایج حاصل نشان داد اوج مصرف در ماههای تیر و مرداد می‏باشد و کل مصرف در سال 1402، 1403 و 1404 به ترتیب برابر7293، 7558 و 7674 هزار متر مکعب می‏باشد.

کلیدواژه‌ها

موضوعات

تغییر اقلیم

عنوان مقاله [English]

Prediction of monthly consumption of drinking water in the Sistan region under climate change impact

نویسندگان [English]

Zahra Ghaffari Moghadam ¹
Ali SardarShahraki ²

¹ Assistant Professor, Department of Agricultural Economics, Agriculture Institute, Research Institute of zabol, Zabol, Iran

² Associate Professor of Agricultural Economics, university of Sistan and Baluchestan, Zahedan, Iran

چکیده [English]

Water scarcity has become a problem of concern for many cities in the world. Predicting water demand helps policymakers and water suppliers maintain the balance between the supply and demand of urban water resources, thereby preventing water wastage and shortage. Forecasting Urban Water Consumption (UWC) has a significant impress on efficient urban water management in cities in arid regions when considering the implications of climate change. In this research, five firefly algorithms were used to estimate the consumption of drinking water in the Sistan region for the years 2006-2020 and were compared. The data from 2006 to 2015 were used for training and learning and finding the optimal weight of the model, and the remaining data from 2016 to 2020 were used to test the model. The results of the model showed that 5 different FA models can get possible answers. In the exponential and hybrid models, the relative error in the NDFA algorithm is 0.19, which has the lowest relative error among other algorithms, and in the linear model, the VSSFA algorithm has the lowest relative error with a relative error of 0.196. Therefore, the exponential model and NDFA method have better performance than other models and algorithms. And its prediction accuracy is above 81%. After ensuring the accuracy of the algorithm, the consumption of drinking water was predicted for the years 2023, 2024, and 2025. The results showed that the peak consumption is in July and August and the total consumption in 1402, 1403, and 1404 is equal to 7293, 7558, and 7674 thousand cubic meters, respectively.

کلیدواژه‌ها [English]

Meta-heuristic algorithm
prediction
Water consumption
Climate

مراجع

اله‏یاری خامنه پیمان و تقوی افشرد سعید. (1396). بهبود دقت الگوریتم کرم شب تاب به وسیله الگوریتم خفاش. پنجمین کنفرانس بین‏المللی مهندسی برق و کامپیوتر با تاکید بر دانش بومی، تهران

رودری آرتمیس، حسن پور فرزاد، یعقوب زاده مصطفی، دلاور مجید. (1398). بررسی رابطه خشک سالی هواشناسی و هیدرولوژی در دشت سیستان. علوم و تکنولوژی محیط زیست، 6 (پیاپی 85) ):33-44.

قاسمی ورجانی هادی، فرتاج محمد‏رضا. (1397). پیش‏بینی تولید ماهانه آب شرب به منظور مدیریت بهینه منابع آب با استفاده از شبکه عصبی، مطالعه موردی: شهر کرج. اولین همایش مدل سازی و فناوری‏های جدید در مدیریت آب، 29 و 30 آبان، بیرجند.

غفاری مقدم زهرا، هاشمی تبار محمود، مرادی ابراهیم. (1399). مدیریت تقاضای آب با استقاده از الگوریتم بهینه سازی کرم شب تاب پویا: مطالعه موردی رودخانه هیرمند. مجله‏ی مهندسی منابع آب،13(3)، 85-98.

غفاری مقدم زهرا. (1400). مدیریت اقتصادی منابع آب در بخش کشاورزی حوضه آبریز هیرمند تحت رویکرد تلفیقی تئوری بازی و بازار آب. رساله دکتری دانشکده اقتصادُ مدیریت و حسابداری، دانشگاه سیستان و بلوچستان. استاد راهنما: دکتر ابراهیم مرادی.

Arya Azar, N., Kayhomayoon, Z., Ghordoyee Milan, S., Zarif Sanayei, H. R., Berndtsson, R., & Nematollahi, Z. (2022). A hybrid approach based on simulation, optimization, and estimation of conjunctive use of surface water and groundwater resources. Environmental Science and Pollution Research. https://doi.org/10.1007/s11356-022-19762-2

Atashpaz-Gargari, E., & Lucas, C. (2007, September). Imperialist competitive algorithm: an algorithm for optimization inspired by imperialistic competition. In 2007 IEEE congress on evolutionary computation (pp. 4661-4667). Ieee.

Assareh, E., Behrang, M. A., Assari, M. R., & Ghanbarzadeh, A. (2010). Application of PSO (particle swarm optimization) and GA (genetic algorithm) techniques on demand estimation of oil in Iran. Energy, 35(12), 5223-5229.

Babel, M. S., & Shinde, V. R. (2011). Identifying prominent explanatory variables for water demand prediction using artificial neural networks: a case study of Bangkok. Water resources management, 25(6), 1653-1676.

Bai, Y., Wang, P., Li, C., Xie, J., & Wang, Y. (2014). A multi-scale relevance vector regression approach for daily urban water demand forecasting. Journal of Hydrology, 517, 236-245.

Bougadis, J., Adamowski, K., & Diduch, R. (2005). Short‐term municipal water demand forecasting. Hydrological Processes: An International Journal, 19(1), 137-148.

Brentan, B. M., Luvizotto Jr, E., Herrera, M., Izquierdo, J., & Pérez-García, R. (2017). Hybrid regression model for near real-time urban water demand forecasting. Journal of Computational and Applied Mathematics, 309, 532-541.

Chang, H., Praskievicz, S., & Parandvash, H. (2014). Sensitivity of urban water consumption to weather and climate variability at multiple temporal scales: The case of Portland, Oregon. International Journal of Geospatial and Environmental Research, 1(1), 7.

de Souza, A., Aristone, F., Sabbah, I., da Silva Santos, D. A., de Souza Lima, A. P., & Lima, G. (2015). Climatic variations and consumption of urban water. Atmospheric and Climate Sciences, 5(03), 292.

Dorigo, M., & Di Caro, G. (1999, July). Ant colony optimization: a new meta-heuristic. In Proceedings of the 1999 congress on evolutionary computation-CEC99 (Cat. No. 99TH8406) (Vol. 2, pp. 1470-1477). IEEE.

Felfelani, F., & Kerachian, R. (2016). Municipal water demand forecasting under peculiar fluctuations in population: a case study of Mashhad, a tourist city. Hydrological Sciences Journal, 61(8), 1524-1534.

Fenta Mekonnen, D., & Disse, M. (2018). Analyzing the future climate change of the Upper Blue Nile River basin using statistical downscaling techniques. Hydrology and Earth System Sciences, 22(4), 2391-2408.

Ferguson, B. C., Brown, R. R., Frantzeskaki, N., de Haan, F. J., & Deletic, A. (2013). The enabling institutional context for integrated water management: Lessons from Melbourne. Water Research, 47(20), 7300-7314.

Fister Jr, I., Yang, X. S., Fister, I., & Brest, J. (2012). Memetic firefly algorithm for combinatorial optimization. arXiv preprint arXiv:1204.5165.

Gandomi, A. H., Yang, X. S., & Alavi, A. H. (2011). Mixed variable structural optimization using the firefly algorithm. Computers & Structures, 89(23-24), 2325-2336.

Haque, M. M., Rahman, A., Hagare, D., & Chowdhury, R. K. (2018). A comparative assessment of variable selection methods in urban water demand forecasting. Water, 10(4), 419.

Heidari, A. A., Mirjalili, S., Faris, H., Aljarah, I., Mafarja, M., & Chen, H. (2019). Harris Hawks optimization: Algorithm and applications. Future generation computer systems, 97, 849-872.

Hossain, I., Esha, R., & Alam Imteaz, M. (2018). An attempt to use a non-linear regression modeling technique in long-term seasonal rainfall forecasting for Australian Capital Territory. Geosciences, 8(8), 282.

Kadiyala, M. D. M., Nedumaran, S., Singh, P., Chukka, S., Irshad, M. A., & Bantilan, M. C. S. (2015). An integrated crop model and GIS decision support system for assisting agronomic decision-making under climate change. Science of the Total Environment, 521, 123-134.

Kazem, A., Sharifi, E., Hussain, F. K., Saberi, M., & Hussain, O. K. (2013). Support vector regression with chaos-based firefly algorithm for stock market price forecasting. Applied soft computing, 13(2), 947-958.

Kennedy, J., & Eberhart, R. (1995) Particle Swarm Optimization. Proceedings of the IEEE International Conference on Neural Networks. 4, 1942-1948. http://dx.doi.org/10.1109/ICNN.1995.488968

Marichelvam, M. K., Prabaharan, T., & Yang, X. S. (2013). A discrete firefly algorithm for the multi-objective hybrid flow-shop scheduling problems. IEEE Transactions on evolutionary computation, 18(2), 301-305.

Mousavi-Mirkalaei, P., Roozbahani, A., Banihabib, M. E., & Randhir, T. O. (2022). Forecasting urban water consumption using Bayesian networks and gene expression programming. Earth Science Informatics, 15(1), 623-633.

Nematollahi, A. F., Rahiminejad, A., & Vahidi, B. (2020). A novel meta-heuristic optimization method based on the golden ratio in nature. Soft Computing, 24(2), 1117-1151.

Osman, Y., Abdellatif, M., Al-Ansari, N., Knutsson, S., & Jawad, S. (2017). Climate change and future precipitation in an arid environment of the MIDDLE EAST: CASE study of Iraq. Journal of Environmental Hydrology, 25(3).

Pacchin, E., Gagliardi, F., Alvisi, S., & Franchini, M. (2019). A comparison of short-term water demand forecasting models. Water resources management, 33(4), 1481-1497.

Parandvash, G. H., & Chang, H. (2016). Analysis of long-term climate change on per capita water demand in urban versus suburban areas in the Portland metropolitan area, USA. Journal of Hydrology, 538, 574-586.

Pijarski, P., & Kacejko, P. (2019). A new metaheuristic optimization method: the algorithm of the innovative gunner (AIG). Engineering Optimization. A. F. Nematollahi, A. Rahiminejad, and B. Vahidi, "A novel meta-heuristic optimization method based on golden ratio in nature," Soft Computing, vol. 24, pp. 1117-1151, 2020.

Rajabioun, R. (2011). Cuckoo optimization algorithm. Applied soft computing, 11(8), 5508-5518.

Rashedi, E., Nezamabadi-Pour, H., & Saryazdi, S. (2009). GSA: a gravitational search algorithm. Information sciences, 179(13), 2232-2248.

Rasifaghihi, N., Li, S. S., & Haghighat, F. (2020). Forecast of urban water consumption under the impact of climate change. Sustainable Cities and Society, 52, 101848.

Sadollah, A., Sayyaadi, H., & Yadav, A. (2018). A dynamic metaheuristic optimization model inspired by biological nervous systems: Neural network algorithm. Applied Soft Computing, 71, 747-782.

Shadravan, S., Naji, H. R., & Bardsiri, V. K. (2019). The Sailfish Optimizer: A novel nature-inspired metaheuristic algorithm for solving constrained engineering optimization problems. Engineering Applications of Artificial Intelligence, 80, 20-34.

Sharafati, A., Asadollah, S. B. H. S., & Hosseinzadeh, M. (2020). The potential of new ensemble machine learning models for effluent quality parameters prediction and related uncertainty. Process Safety and Environmental Protection, 140, 68-78.

Tian, P., Lu, H., Feng, W., Guan, Y., & Xue, Y. (2020). Large decrease in streamflow and sediment load of Qinghai–Tibetan Plateau drove by future climate change: A case study in Lhasa River Basin. Catena, 187, 104340.

Urich, C., & Rauch, W. (2014). Exploring critical pathways for urban water management to identify robust strategies under deep uncertainties. Water Research, 66, 374-389.

Wang, G. G. (2018). Moth search algorithm: a bio-inspired metaheuristic algorithm for global optimization problems. Memetic Computing, 10(2), 151-164.

Wang, G. G., Deb, S., & Coelho, L. D. S. (2018). Earthworm optimization algorithm: a bio-inspired metaheuristic algorithm for global optimization problems. International journal of bio-inspired computation, 12(1), 1-22.

Wang, G. G., Deb, S., & Cui, Z. (2019). Monarch butterfly optimization. Neural computing and applications, 31(7), 1995-2014.

Wang, H., Cui, Z., Wang, W., Zhou, X., Zhao, J., Lv, L., & Sun, H. (2017, November). Firefly algorithm for demand estimation of water resources. In International Conference on Neural Information Processing (pp. 11-20). Springer, Cham.

Wang, H., Wang, W., Cui, Z., Zhou, X., Zhao, J., & Li, Y. (2018). A new dynamic firefly algorithm for demand estimation of water resources. Information Sciences, 438, 95-106.

Xiang, X., & Jia, S. (2019). China’s water-energy nexus: Assessment of water-related energy use. Resources, Conservation and Recycling, 144, 32-38.

Yang, X. S., & Algorithms, N. I. M. (2008). Luniver press. Beckington, UK, 242-246.

Yang, X. S. (2010). Engineering optimization: an introduction with metaheuristic applications. John Wiley & Sons

Yu, S., Zhu, S., Ma, Y., & Mao, D. (2015). A variable step size firefly algorithm for numerical optimization. Applied Mathematics and Computation, 263, 214-220.

Zhang, B., & He, C. (2016). A modified water demand estimation method for drought identification over arid and semiarid regions. Agricultural and Forest Meteorology, 230, 58-66.

Zhang, J., Zhu, Z., Chang, Y., Wu, D., Du, L., & Cui, Z. (2019, June). Demand Estimation of Water Resources Based on Coupling Algorithm. In 2019 Chinese Control And Decision Conference (CCDC) (pp. 714-719). IEEE.

Zubaidi, S. L., Dooley, J., Alkhaddar, R. M., Abdellatif, M., Al-Bugharbee, H., & Ortega-Martorell, S. (2018). A Novel Approach for predicting monthly water demand by combining singular spectrum analysis with neural networks. Journal of Hydrology, 561, 136-145.