ارزیابی مدل‌های ژنتیکی جهت مدل‌سازی جریان رودخانه

نوع مقاله: مقاله پژوهشی

نویسندگان

1 اهواز سازمان آب و برق خوزستان.، معاونت آبرسانی

2 ، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز

3 دکتری مهندسی منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز

4 استادیار گروه هیدرولوژی و منابع آب دانشگاه شهید چمران

چکیده

پیش­بینی جریان رودخانه­ها به عنوان یکی از منابع اصلی تأمین کننده آب بشر، همواره یکی از موضوعات مهم مورد بحث در هیدرولوژی و منابع آب بوده است. بدین جهت، مدل­های مختلفی برای مدل­سازی و پیش­بینی جریان رودخانه­ها مورد استفاده قرار گرفته است. در این مطالعه، به ارزیابی دو مدل ژنتیکی به نام­های برنامه­ریزی ژنتیک و برنامه­ریزی بیان ژن پرداخته شده است. برای این منظور، با استفاده از داده­های روزانه جریان، دما، بارش و تبخیر در ایستگاه تله­زنگ اقدام به مدل­سازی جریان رودخانه دز شده است. نتایج نشان داد که مدل برنامه­ریزی بیان ژن با ضریب تبیین 86/0 و جذر میانگین مربعات خطای 0030/0(مترمکعب در ثانیه) نسبت به مدل برنامه­ریزی ژنتیک با ضریب تبیین 85/0 و جذر میانگین مربعات خطای 0037/0(مترمکعب در ثانیه) دارای عملکرد بهتری می­باشد. علاوه بر این، سرعت اجرای مدل برنامه­ریزی بیان ژن نسبت به مدل برنامه­ریزی ژنتیک بیشتر بوده و در زمان کوتاهی قادر به ارائه نتایج می­باشد. با افزایش تعداد داده­های ورودی مدل برنامه­ریزی ژنتیک کند شده و گاهی قادر به ارائه نتایج نمی­باشد درحالی­که مدل برنامه­ریزی بیان ژن این قابلیت را دارد که با تعداد ورودی­ها و داده­های بیشتر، نیز عمل مدل­سازی را انجام دهد. به­طورکلی نتایج نشان داد که مدل برنامه­ریزی بیان ژن برای مدل­سازی و پیش­بینی جریان رودخانه قابلیت خوبی دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Banzhaf, W., P. Nordin, P.E. Keller and F.D. Francone. 1998. Genetic programming. Kaufmann M, editor. San Francisco. CA. 512 p. Ferreira, C. 2006. Gene Expression Programming: Mathematical Modeling by an Artificial Intelligence (Studies in Computational Intelligence). ed n, editor. Springer-Verlag New York, Inc. Secaucus, NJ, USA. Ferreira, C. 2001. Gene expression programming: a new adaptive algorithm for solving problems. Complex Syst, 13:87-129. Ghorbani,

نویسندگان [English]

  • Saber AlidadiDehkohneh 1
  • Abazar Solgi 2
  • Mehrnoush Shehni darabi 3
  • Heydar Zarei 4
2 Department of Water Resources Engineering, Faculty of Water Sciences Engineering, Shahid Chamran University of Ahvaz, Iran.
3 Quality Control Expert, Water Transfer and Utilization of Ghadir Company of Khuzestan, Ahvaz, Iran.
4 Asistant Prof, Dep. of Hydrology and Water Resources, Shahid Chamran University of Ahvaz, Iran.
چکیده [English]

Predicting rivers flow, as one of the main resources of water for human beings, has always been one of the important issues discussed in hydrology and water resources. So, different models have been used for modeling and predicting rivers flow.
 In this study, two genetic models, Gene Expression Programming (GEP) and genetic programming (GP) were evaluated. Flow, temperature, precipitation, and evaporation data were used to model the daily flow in Tale Zang station. The results showed that GEP model, with R2=0.86 and RMSE=0.0030 m3/s, had the better performance than GP model, with R2=0.85 and RMSE=0.0037 m3/s. Moreover, the speed of GEP was more than GP and had ability to present results in a short time. By increasing the number of data, the speed of GP decreased and sometimes it couldn’t present results, while GEP had the ability to work with more data and model the river flow.

کلیدواژه‌ها [English]

  • Key words: Generally
  • the results showed that GEP model had good ability for modeling and predicting rivers flow

احمدی، ف.، ف. رادمنش و ر. میرعباسی­نجف­آبادی. 1393. مقایسه روش­های برنامه­ریزی ژنتیک و ماشین بردار پشتیبان در پیش­بینی جریان روزانه رودخانه (مطالعه موردی: رودخانه باراندوز چای). نشریه آب و خاک (علوم و صنایع کشاورزی). (6) 28: 1171-1162.

داننده مهر، ع. و م.ر. مجدزاده طباطبائی. 1389. بررسی تأثیر توالی دبی روزانه در پیش­بینی جریان رودخانه­ها با استفاده از برنامه ریزی ژنتیک. نشریه آب و خاک (علوم و صنایع کشاورزی)، (2) 24 :333 -325.

سلگی، ا. 1393. پیش­بینی جریان رودخانه با مدل ترکیبی شبکه عصبی مصنوعی-موجک و مقایسه آن با روش­های سیستم استنتاج فازی عصبی تطبیقی و شبکه عصبی مصنوعی(مطالعه موردی: رودخانه گاماسیاب نهاوند). پایان­نامه کارشناسی ارشد در رشته مهندسی منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز.

فربودنام، ن.، م.ع. قربانی، و م.ت. اعلمی. 1388. پیش­بینی جریان رودخانه با استفاده از برنامه­ریزی ژنتیک (مطالعه موردی: حوضه آبریزرودخانه لیقوان). مجله دانش آب و خاک، 19 (1) : 123-107.

کاوه­کار، ش.، م.ع. قربانی، ا. اشرف­زاده و ص. دربندی. 1392. شبیه­سازی نوسانات تراز آب با استفاده از برنامه­ریزی

 

بیان ژن. نشریه مهندسی عمران و محیط زیست. 43 (3)، پیای72: 75-69.

گلابی، م.ر.، ع.م. آخوندعلی، و ف. رادمنش. 1392. مقایسه عملکرد الگوریتم­های مختلف شبکه عصبی مصنوعی در مدل­سازی بارندگی فصلی (مطالعه موردی: ایستگاه­های منتخب استان خوزستان). نشریه تحقیقات کاربردی علوم جغرافیایی. 13(30): 151-169.

Banzhaf, W., P. Nordin, P.E.Keller and F.D.Francone. 1998. Genetic programming. Kaufmann M, editor. San Francisco. CA. 512 p.

Ferreira, C. 2006. Gene Expression Programming: Mathematical Modeling by an Artificial Intelligence (Studies in Computational Intelligence). ed n, editor. Springer-Verlag New York, Inc. Secaucus, NJ, USA.

Ferreira, C. 2001. Gene expression programming: a new adaptive algorithm for solving problems. Complex Syst, 13:87-129.

Ghorbani, M.A., O. Kisi and M.A. Aalinezhad. 2010. A probe into the chaotic nature of daily stream flow time series by correlation dimension and largest Lyapunov methods. Applied Mathematical Modelling, 34(12):4050-4057.

Shiri, J. and Ö. Kişi. 2011. Comparison of genetic programming with neuro-fuzzy systems for predicting short-term water table depth fluctuations. Computers & Geosciences, 37(10):1692-701.

Shiri, J., Ö. Kişi, G. Landeras, J.J. López, A.H. Nazemi and L.C.P.M. Stuyt. 2012. Daily reference evapotranspiration modeling by using genetic programming approach in the Basque Country (Northern Spain). Journal of Hydrology, 414–415:302-316.

Mattar, M.A. and A.I. Alamoud. 2015. Artificial neural networks for estimating the hydraulic performance of labyrinth-channel emitters. Computers and Electronics in Agriculture, 114:189-201.

Zahiri, A. and H.M. Azamathulla. 2014. Comparison between linear genetic programming and M5 tree models to predict flow discharge in compound channels. Neural Comput & Applic, 24:413-420.