مقایسه کارآیی مدل‌های هوشمند در روندیابی جریان روزانه رودخانه (مطالعه موردی: رودخانه بالخلوچای، استان اردبیل)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

2 ، گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.

چکیده

چکیده
روندیابی جریان در رودخانه­ها یکی از پراهمیت‌ترین موضوعات در مدیریت منابع آب‌های سطحی جهت اتخاذ تدابیر مناسب در مواقع سیلاب و بروز خشک‌سالی‌ها است. در این تحقیق از مدل‌های شبکه عصبی مصنوعی، برنامه­ریزی بیان ژن، موجک- عصبی و حداقل مربعات ماشین بردار پشتیبان به منظور روندیابی جریان روزانه رودخانه بالخلوچای واقع در حوضه آبریز دره­رود استفاده شد. در این راستا داده‌های روزانه دو ایستگاه هیدرومتری متوالی واقع بر رودخانه مذکور به­کار گرفته شد. برای ارزیابی مدل­ها از شاخص­های آماری ریشه میانگین مربعات خطا، ضریب همبستگی، ضریب نش- ساتکلیف و بایاس استفاده شد. نتایج گویای عملکرد قابل قبول هر چهار مدل و برتری مدل حداقل مربعات ماشین بردار پشتیبان با بیشترین ضریب همبستگی (894/0=R)، کمترین ریشه میانگین مربعات خطا (m3/s540/1=RMSE) و ضرایب نش-ساتکلیف و بایاس برابر 813/0 و 013/0 در مرحله صحت­سنجی بود. اما در برآورد دبی بیشینه (سیلاب) مدل موجک- عصبی با میانگین خطای نسبی 21/34 درصد، از خطای کمتری نسبت به سایر مدل­ها برخوردار بود. لازم به ذکر است که کلیه مدل­ها در تخمین جریان ایستگاه پایین­دست حالت کم­برآورد داشتند.

کلیدواژه‌ها

عنوان مقاله [English]

Comparison of Intelligent Models Efficiency for Routing of River Daily Flow (Case Study: Baleqlu-Chay River, Ardabil Province)

نویسندگان [English]

  • , Mohamadreza Nikpour 1
  • sajad mahmodibabolan 2
1 Assisstant Professor. Department of Water Engineering. University of Mohaghegh Ardabili.
2 Former Student, Department of Water Engineering, University of Mohaghegh Ardabili, Ardabil, Iran
چکیده [English]

Abstract
Routing of river flow is one of the most important of water resources management topics to adopt appropriate decision in occurrence time of flood or droughts. In this study, artificial neural networks (ANN), gene expression programming (GEP), wavelet- neural network (WNN) and least square support vector machine (LS-SVM) models were used for routing of Baleqlu-Chay river daily flow, located at Dareh-Roud watershed. Daily river discharge data of two consecutive hydrometric stations located at the mentioned river for the period of 1997-2013. The statistics indices including, root mean square error (RMSE), correlation coefficient (R), Nash–Sutcliffe efficiency coefficient (NS) and Bias were used to evaluate the precision of the models. Comparison of results demonstrate that the LS-SVM with RMSE=1.540 m3/s, R=0.894, NS=0.713 and Bias=0.013 had the best performance in the test period. But in estimating of peak discharge values, the WNN model with average relative error equal to 34.21% had the least error. It should be mentioned that all of the models tended to underestimate the discharge values.  

کلیدواژه‌ها [English]

  • Keywords: Gene expression programming
  • Least square support vector machine
  • Flow routing
  • artificial neural networks
  • Wavelet- neural network

فایل ها

هم رسانی

ارجاع به این مقاله

آمار