Comparison and Evalution of Bayesian Neural Network, Gene expression programming, Support Vector Machine and Multiple Linear Regression in River Discharge Estimation (Case Study: Sufi Chay Basin)

Document Type : Original Article

Authors

1 1. MSC, Agricultural Engineering -Water Resources, University of Tabriz, Iran

2 Associate Professor of Water Engineering, University of Tabriz, Tabriz, Iran

3 Professor of Electrical Engineering - Control, Electrical Engineering Department, K.N Toosi University, Tehran, Iran, teshnehlab@eetd.kntu.ac.ir

4 4. Assistant Professor of Electrical Engineering - Control, University of Tabriz, Tabriz,

5 Assistant Professor of Water Engineering, University of Tabriz, Tabriz, Iran

Abstract

Prediction of river dischargeis importance for reliable planning, design and management of water resources projects. This study investigates the applicability of Bayesian Neural Network (BNN), Gene-Expression Programming (GEP), Support Vector Machine (SVM), and Multi linear Regression (MLR) for prediction of river dischargetime series in the Soufichay river, Iran. Daily river dischargetime series for period of 1997 to 2010 of Tazehkand hydrometric station from Soufichay river was used. To obtain the best input–output mapping, different input combinations of antecedent daily river dischargewere evaluated. The performance of the models were evaluated through the four performance criteria: Correlation Coefficient (CC), Root Mean Square Error (RMSE), the Nash–Sutcliffe efficiency coefficient (N-S) and Bias criteria. A comparison of models indicates that BNN with CC (0.991), RMSE (0.031m3/s), N-S (0.981) and Bias(-0.006) predicted better than GEP, SVM, and MLR models for daily river dischargetime series

Keywords

References

اسکندری، ع. و ر.  نوری. 1389. توسعه مدلی مناسب بر مبنای شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیش‌بینی به هنگام اکسیژن خواهی بیوشیمیایی 5 روزه. محیط شناسی سال سی و هشتم، شماره 61. ص 76-74.
بنی‌حبیب، م.، ا. موسوی، م. سادات جمالی. 1389. مدل شبکه عصبی مصنوعی برای بررسی همبستگی روزانه بین ایستگاه‌ها در پیش‌بینی جریان ورودی به مخزن سد دز. مجله پژوهش آب ایران. سال چهارم. شماره 7. ص32-25.
سلطانی، ع.، م. ع. قربانی، ا. فاخری فرد، ص. دربندی و د. فرسادی زاده. 1389. برنامه­ریزی ژنتیک و کاربرد آن در مدل­سازی فرآیند بارش- رواناب. مجله دانش آب و خاک. شماره 4 .ص 71-62 .
طباطبایی، س. ع. و پ. دشتی‌زاده. 1387. معرفی شبکه های عصبی Bayesian وکاربرد آن‌ها در نگهداری پل‌ها. چهاردهمین کنفرانس دانشجویان مهندسی عمران سراسر کشور.
فربودنام، ن.، م. ع. قربانی و م. ت. اعلمی. 1388. پیش‌بینی جریان رودخانه با استفاده از برنامه‌ریزی ژنتیک (مطالعه موردی: حوضه آبریز رودخانه لیقوان). نشریه دانش آب و خاک. شماره 19. ص 123-107.
قربانی، م. ع. و ا. صالحی. 1390. استفاده از برنامه‌ریزی بیان ژن در بررسی تغییرات داده‌های کیفی آب زیرزمینی با نوسانات سطح آب در دشت برخوردار اصفهان. ششمین کنگره ملی مهندسی عمران.
محرم‌پور، م.، ع. محرابی و م .کاتوزی. 1390. به کارگیری ماشین بردار پشتیبان SVM برای پیش‌بینی دبی روزانه. چهارمین کنفرانس مدیریت منابع آب ایران.
Aytek A., M. Asce and M. Alp. 2008. An application of artificial intelligence for rainfall–runoff modeling. J  Earth System Science 117: 145-155.
Ferreira, C. 2001. Gene expression programming: a new adaptive algorithm for solving problems. Complex Systems, Vol.13(2): 87–129.
Fithriasari, K., N. Brodjol, U. Sutikno, H. Kuswanto. 2013. Prediction of Hourly Rainfall using Bayesian Neural Network with Adjusting Procedure. The Third Basic Science International Conference .  
Foresee, F. D. 1997. Gauss-newton approximation to Bayesian regularization. International  Joint Conference on Neural Network, Houston:1930-1935.
Ghorbani, M. A., R. Khatibi, H. Asadi and P. Yousefi. 2012. Inter- Comparison of an Evolutionary Programming Model of Suspended Sediment Time-series whit other Local Model. INTECH. doi. org/10.5772/47801,: 255-282.
Guven, A. 2009. Linear genetic programming for time-series modelling of daily flow rate. Journal Earth System Science, vol 118: 157-173.
He. Z., X. Wen. H. Liu. and J. Du. 2014. "A comparative study of artificial neural network, adaptive neuro fuzzy inference system and support vector machine for forecasting river flow in the semiarid mountain region". Journal of Hydrology 509 : 379–386
Khan, M. S. and P. Coulibaly .2006. Bayesian neural network for rainfall-runoff modeling, Water Resour. Res., 42,W07409, doi:10.1029/2005WR003971.
Khatibi, R., L. Naghipour, M. A. Ghorbani and M. T. Aalami. 2012. Predictability of relative humidity by two artificial intelligence techniques using noisy data from two Californian gauging stations. Neural computing and application: 643-941.
MacKay, D. J. C.1992.  Bayesian Interpolation, Neural Computation, vol. 4, pp. 415-447.
Othman, F. and M.Naseri. 2011. Reservoir inflow forecasting using artificial neural Network. International Journal of the Physical Sciences Vol. 6(3): 434-440.
Xu, L., J. Wang, J. Guan, and F. Huang. 2007. A Support Vector Machine Model for Mapping of Lake Water Quality from Remote-Sensed Images. IC-MED. Vol. 1(1): 57-66.
Irrigation and Water Engineering
Volume 5, Issue 4 - Serial Number 20
September 2015
Pages 65-85

Files

Share

How to cite

Statistics