تخمین بارش درازمدت شهر بابلسر با استفاده از برنامه‌ریزی بیان ژن بهینه‌یافته

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری منابع آب، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

2 گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

3 دانشیار گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

چکیده

تخمین و شبیه­سازی بارندگی یکی از مهمترین حوزه­های علم هیدرولوژی محسوب می­شود. در این مطالعه، برای اولین بار بارش دراز مدت شهر بابلسر در یک بازه 68 ساله از سال 1951 تا 2019 به­صورت ماهانه توسط یک مدل هوش مصنوعی ترکیبی بهینه­یافته پیش­بینی شد. برای انجام اینکار، مدل برنامه ریزی بیان ژن (GEP) با تبدیل موجک (WT) ترکیب شدند. برای آموزش مدل­های هوش مصنوعی از 70 درصد مقادیر مشاهداتی و برای آزمون آنها از 30 درصد باقیمانده استفاده گردید. همچنین، با استفاده از تابع خود همبستگی (ACF) تاخیرهای موثر داده­های سری زمانی شناسایی شدند و با استفاده از آنها، شش مدل GEP مختلف توسعه داده شدند. تعداد ژن­های بهینه­سازی شده مدل GEP مساوی با چهار انتخاب گردید. علاوه بر این تابع Multiplication به­عنوان بهترین تابع اتصال مدل GEP معرفی گردید. مدل برتر GEP با انجام یک تحلیل حساسیت معرفی شد که مقادیر ضریب همبستگی (R) و شاخص پراکندگی (SI) آن به­ترتیب مساوی با 571/0 و 792/0 محاسبه شدند. تاخیرهای شماره (t-1)، (t-2)، (t-12) و (t-24) به­عنوان موثرترین تاخیرهای داده­های سری زمانی معرفی شدند. لازم به ذکر است که در بین موجک­های مادر مختلف، coif به­عنوان موجک مادر برتر معرفی شد و سپس با مدل GEP ترکیب گردید. مدل ترکیبی WGEP مقادیر بارش­ها را با دقت قابل قبولی شبیه­سازی کرد. به عبارت دیگر، تبدیل موجک دقت مدل سازی را به شکل محسوسی بهبود بخشید. به­عنوان مثال مقدار شاخص عملکرد (VAF) برای مدل GEP و WGEP به­ترتیب مساوی با 710/31 و 064/82 بودند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Estimation of Long-Term Rainfall in Babolsar City by Using the Optimized Gene Expression Programming

نویسندگان [English]

  • yosef esmaeli 1
  • ahmad rajabi 2
  • fariborz yosefvand 2
  • saeid shabanlou 3
1 Ph.D. Candidate, Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran
2 Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran
3 Associate Professor, Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran
چکیده [English]

Estimation and simulation of precipitation is considered as one of the most issues in the field of hydrology. In this study, for the first time, the long-term rainfall in Babolsar city during a 68 years period from 1951 to 2019 was predicted by using an optimized hybrid artificial intelligence (AI) technique. To end this, the gene expression programming (GEP) model was combined with the wavelet transform. To training the AI models, 70% of the observed values were utilized and 30% of these values were used to testing those models. Additionally, the autocorrelation function (ACF) was applied to identify the most influential lags and then six GEP models were developed by means of these detected lags. The number of optimized genes was selected to be four. In addition, the Multiplication function was introduced as the best linking function of the GEP model. The superior GEP model was introduced through a sensitivity analysis that the correlation coefficient (R) and scatter index (SI) for this model were calculated to be 0.571 and 0.792, respectively. The (t-1), (t-2), (t-12), and (t-36) time series lags were introduced as the most effective input lags. The coif was detected as the best mother wavelet to simulate the target function. The hybrid WGEP model simulated the values of rainfall with acceptable accuracy. In the other words, the wavelet transform enhanced the performance of the GEP model significantly. For instance, the value of variance accounted for (VAF) for the GEP and WGEP models were respectively computed to be 31.710 and 82.064

کلیدواژه‌ها [English]

  • : Rainfall of Babolsar city
  • Time series
  • Gene expression programming
  • Wavelet transform
  • modeling

مراجع

باباعلی، ح. و ر. دهقانی. 1396. مقایسه مدل های هوشمند در تخمین بارش ماهانۀ حوضۀ کاکارضا. اکولوژی، سال 4، شماره 1، ص 11-1.
دهقانی، ر.، م. علی قربانی، م. تشنه لب، ا. ریخته گر غیاثی و ا. اسدی. 1394. مقایسه و ارزیابی مدل‌های شبکه عصبی بیزین، برنامه‌ریزی بیان ژن، ماشین بردار پشتیبان و رگرسیون خطی در تخمین بده جریان؛ مطالعه موردی حوضه صوفی چای. مجله آبیاری و آب ایران، سال 5، شماره 4، ص 85-65.
دهقانی. ن.، م. وفاخواه و ع. بهره مند. 1395. مدل سازی بارش-رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی-عصبی تطبیقی در حوزه آبخیز کسیلیان. پژوهشنامه مدیریت حوزه آبخیز، سال هفتم، شماره 13، ص 137-128.
غفاری، غ. و م. وفاخواه. 1392. شبیه سازی فرآیند بارش- رواناب با استفاده از شبکه عصبی مصنوعی و سیستم فازی- عصبی تطبیقی (مطالعه موردی: حوزه آبخیز حاجی‌قوشان). پ‍‍ژوهشنامه مدیریت حوزه آبخیز، سال 4، شماره 10، ص 136-120.
فلاحی م م، یعقوبی ب، یوسفوند ف، شعبانلو س. بهبود عملکرد مدل برنامه‌نویسی بیان ژن با استفاده از تبدیل موجک برای تخمین بارش درازمدت شهر رشت. مجله علوم آب و خاک. ۱۳۹۹. ۲۴ (۳) :ص 16-1.
محمدرضاپور، ا. 1396. پیش بینی تبخیر- تعرق پتانسیل ماهانه با استفاده از مدل‌های ماشین بردار پشتیبان، برنامه‌ریزی ژنتیک و سیستم استنتاج عصبی – فازی. مجله آبیاری و آب ایران، سال 7، شماره 3، ص 150-135.
Chang, T. K., A. Talei, C. Quek and V. R. Pauwels. 2018. Rainfall-runoff modelling using a self-reliant fuzzy inference network with flexible structure. Journal of hydrology, 564: 1179-1193.
Dabral, P. P. and M. Z. Murry. 2017. Modelling and forecasting of rainfall time series using SARIMA. Environmental Processes, 4(2): 399-419.
Ferreira, C. 2001. Gene Expression Programming: A New Adaptive Algorithm for Solving Problems. Complex Systems, 13(2): 87-129.
Hardwinarto, S. and M. Aipassa. 2015. Rainfall monthly prediction based on artificial neural network: A case study in Tenggarong Station, East Kalimantan-Indonesia. Procedia Computer Science, 59: 142-151.
Lorrai, M. and G. M. Sechi. 1995. Neural nets for modelling rainfall-runoff transformations. Water resources management, 9(4): 299-313.
Mehr, A. D., V. Nourani, V. K. Khosrowshahi and M. A. Ghorbani. 2019. A hybrid support vector regression–firefly model for monthly rainfall forecasting. International Journal of Environmental Science and Technology, 16(1): 335-346.
Nagahamulla, H. R., U. R. Ratnayake and A. Ratnaweera. 2012. An ensemble of artificial neural networks in rainfall forecasting. In International Conference on Advances in ICT for Emerging Regions (ICTer2012) (pp. 176-181). IEEE.
Nasseri, M., K. Asghari and M. J. Abedini. 2008. Optimized scenario for rainfall forecasting using genetic algorithm coupled with artificial neural network. Expert systems with applications, 35(3): 1415-1421.
Nourani, V., A. Hosseini Baghanam, J. Adamowski and O. Kisi. 2014. Applications of hybrid wavelet–Artificial Intelligence models in hydrology: A review. Journal of Hydrology 514: 358–377.
Savic, D. A., G. A. Walters and J. W. Davidson. 1999. A genetic programming approach to rainfall-runoff modelling. Water Resources Management, 13(3): 219-231.
Shoaib, M., Shamseldin, A. Y., Melville, B. W., and Khan, M. M. 2015. Runoff forecasting using hybrid wavelet gene expression programming (WGEP) approach. Journal of Hydrology, 527: 326-344.
Wang, W. and J. Ding. 2003. Wavelet network model and its application to the prediction of the hydrology. Nat. Sci. 1 (1): 67–71.
Wong, K. W., P. M. Wong, T. D. Gedeon and C. C. Fung. 2003. Rainfall prediction model using soft computing technique. Soft Computing, 7(6): 434-438.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار