مدلسازی جریان روزانه رودخانه با استفاده از فرامدلهای شبیهساز (مطالعه موردی:رودخانه گاماسیاب)
الموضوعات :معصومه زینعلی 1 , محمدرضا گلابی 2 , محمد حسین نیک سخن 3 , محمد رضا شریفی 4
1 - دانشجوی دکتری منابع آب، گروه مهندسی آبیاری و آبادانی؛ پردیس کشاورزی و منابع طبیعی دانشگاه تهران؛ کرج؛ ایران.
2 - دکترای منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز، ایران. (نویسنده مسئول)
3 - دانشیار دانشکده محیط زیست، دانشگاه تهران، ایران.
4 - استادیار دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز، ایران.
الکلمات المفتاحية: مدلBN, مدل GEP, گاماسیاب, مدل ANFIS, مدلسازی جریان,
ملخص المقالة :
زمینه و هدف: هدف در ابتدا بیان نمودن تفاوت ها و شناسایی3 مدل به نام های، برنامه ریزی بیان ژن (GEP)، شبکه عصبی فازی (ANFIS) و شبکه بیزین (BN) است و مقایسه آنها با یکدیگر و سوال اساسی تحقیق این است که ایا فرامدل شبیه ساز برتر در این مطالعه می تواند در شرایط کمبود داده و اطلاعات، جایگزین مناسبی برای مدل های مفهومی باشد. روش بررسی: داده های مورد استفاده برای این پژوهش، داده های بارش و جریان روزانه رودخانه گاماسیاب نهاوند در یک دوره 10 ساله 1391-1381 می باشد. برای مرحله پیش بینی یا شبیه سازی از داده های سال آبی 1391-1390 استفاده شده است. یافته ها: در مرحله آموزش و با توجه به ضریب تبیین و پارامتر جذر میانگین مربعات خطا و معیار AIC، مشاهده میشود که در هر 3 مدل، هم در مرحله آموزش و هم در مرحله تست شاهد اختلاف بسیار اندک در مقدار این پارامتر ها هستیم و نتایج هر 3مدل تقریبا با اختلاف بسیار اندک، نزدیک به هم است و تقریبا برتری نسبی مدل GEP را می توان مشاهده کرد. بحث و نتیجه گیری: نتایج بیانگر آن است که فرامدل[1] شبیهساز بیان ژن توانایی خوبی برای شبیهسازی و پیش بینی جریان روزانه رودخانه دارد و این فرامدل شبیه ساز، می تواند در شرایط کمبود داده و اطلاعات، جایگزین مناسبی برای مدل های مفهومی باشد. علاوه بر این سرعت اجرای مدل برنامه ریزی بیان ژن نسبت به بقیه مدلها بیشتر بوده و در زمان کوتاهی قادر به ارائه نتایج بوده است. [1]- Meta Model
- Ghorbani, M, A., Kisi, O., Aalinezhad, M, A., 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.
- DanandehMehr, A., Kahya, E. and Yerdelen, C., 2014. Linear Genetic Programming Application for Successive-Station Monthly Stream Flow Prediction, Journal of Computers and Geosciences, 70: 63-72.
- Shoaib, M., Shamseldin, A. Y., Melville, B. W., and Khan, M. M., 2015. Runoff forecasting using hybrid wavelet gene expression programming (WGEP) approach; J. Hydrol.527: 326–344.
- Karimi, S., Shiri, J., Kisi, O., and Shiri, A.A., 2015. Short-term and long-term streamflow prediction by using 'wavelet–gene expression' programming approach. ISH Journal of HydraulIc EngIneerIng 1-15.
- Singh, G., Panda, R. K., and Lamers, M., 2015. Modeling of daily runoff from a small agricultural watershed using artificial neural network with resampling techniques, J. of hydroinformatics. vol.17 (1). 56-74.
- Noori, N., Kalin, L., 2016. Coupling SWAT and ANN models for enhanced daily streamflow prediction, J. of Hydrology. 533: 141–151.
- Ghorbani, M. A., Dehghani, R., 2015. Application of Bayesian Neural Networks, Support Vector Machines and Gene Expression Programming Analysis of Rainfall - Runoff Monthly (Case Study: Kakarza River). Irrigation Science and Engineering. 39(2), 125-138.
- Naeimi Kalourazi, Z., Ghorbani, Kh., Salarijazi, M., Dehghani, A.A., 2016. Investigation of effect of basin’s physiographic and climatic parameters in seasonal river flow simulation. Ecohydrology. 3(4), 545-556.
- Moatamednia, M., Nohegar, A., Malekian, A., Saberi, M., Karimi, K., 2017. Runoff prediction using intelligent models. Ecohydrology. 4(4), 955-968.
- Ross, T. J., 1995. Fuzzy logic with engineering application. McGraw Hill Inc., USA.
- Jang, J.S.R., Sun, C. T., and Mizutani, E., 1997. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence.Prentice-Hall International.New Jersey.
- Meshkani, A., Nazemi, A., 2009. Introduction to Data Mining. Ferdowsi University Publishing Institute, Mashhad. 456 pages.
- Singh, VIP., Translation: Najafi, M.R., 2002. Hydrological systems of rainfall-runoff modeling. Volume 1. University of Tehran Press. First Edition. 578 pages.
- Danandehmehr, A., Majdzadeh Tabatabai, M. R., 2010. Prediction of Daily Discharge Trend of River Flow Based on Genetic Programming. Journal of Water and Soil. 24(2), 325-333.
- 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.
- MacKay, D.J.C., 1992. A Practical Bayesian Framework for Backpropagation Networks " Neural Computation. 4: 48-472.
- Kingston, G. B., 2005. Lambert M F and Maier H R. Bayesian training of artificial neural networks used for water resources modeling. Water Resources Research. 41(W12409).
- Nash, J. E., and Sutcliffe, J.V., 1970. River flow forecasting through conceptual models part I — A discussion of principles. Journal of Hydrology. 10 (3), 282–290.
_||_
- Ghorbani, M, A., Kisi, O., Aalinezhad, M, A., 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.
- DanandehMehr, A., Kahya, E. and Yerdelen, C., 2014. Linear Genetic Programming Application for Successive-Station Monthly Stream Flow Prediction, Journal of Computers and Geosciences, 70: 63-72.
- Shoaib, M., Shamseldin, A. Y., Melville, B. W., and Khan, M. M., 2015. Runoff forecasting using hybrid wavelet gene expression programming (WGEP) approach; J. Hydrol.527: 326–344.
- Karimi, S., Shiri, J., Kisi, O., and Shiri, A.A., 2015. Short-term and long-term streamflow prediction by using 'wavelet–gene expression' programming approach. ISH Journal of HydraulIc EngIneerIng 1-15.
- Singh, G., Panda, R. K., and Lamers, M., 2015. Modeling of daily runoff from a small agricultural watershed using artificial neural network with resampling techniques, J. of hydroinformatics. vol.17 (1). 56-74.
- Noori, N., Kalin, L., 2016. Coupling SWAT and ANN models for enhanced daily streamflow prediction, J. of Hydrology. 533: 141–151.
- Ghorbani, M. A., Dehghani, R., 2015. Application of Bayesian Neural Networks, Support Vector Machines and Gene Expression Programming Analysis of Rainfall - Runoff Monthly (Case Study: Kakarza River). Irrigation Science and Engineering. 39(2), 125-138.
- Naeimi Kalourazi, Z., Ghorbani, Kh., Salarijazi, M., Dehghani, A.A., 2016. Investigation of effect of basin’s physiographic and climatic parameters in seasonal river flow simulation. Ecohydrology. 3(4), 545-556.
- Moatamednia, M., Nohegar, A., Malekian, A., Saberi, M., Karimi, K., 2017. Runoff prediction using intelligent models. Ecohydrology. 4(4), 955-968.
- Ross, T. J., 1995. Fuzzy logic with engineering application. McGraw Hill Inc., USA.
- Jang, J.S.R., Sun, C. T., and Mizutani, E., 1997. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence.Prentice-Hall International.New Jersey.
- Meshkani, A., Nazemi, A., 2009. Introduction to Data Mining. Ferdowsi University Publishing Institute, Mashhad. 456 pages.
- Singh, VIP., Translation: Najafi, M.R., 2002. Hydrological systems of rainfall-runoff modeling. Volume 1. University of Tehran Press. First Edition. 578 pages.
- Danandehmehr, A., Majdzadeh Tabatabai, M. R., 2010. Prediction of Daily Discharge Trend of River Flow Based on Genetic Programming. Journal of Water and Soil. 24(2), 325-333.
- 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.
- MacKay, D.J.C., 1992. A Practical Bayesian Framework for Backpropagation Networks " Neural Computation. 4: 48-472.
- Kingston, G. B., 2005. Lambert M F and Maier H R. Bayesian training of artificial neural networks used for water resources modeling. Water Resources Research. 41(W12409).
- Nash, J. E., and Sutcliffe, J.V., 1970. River flow forecasting through conceptual models part I — A discussion of principles. Journal of Hydrology. 10 (3), 282–290.