پیش بینی تراز سطح ایستابی با استفاده از سامانه های هوشمند

محورهای موضوعی : مقالات برگرفته از پایان نامه

علی اصغر میرزایی ¹ (دانشجوی کارشناسی ارشد گروه مهندسی آب دانشگاه تبریز)
امیرحسین ناظمی ² (استاد گروه مهندسی آب دانشگاه تبریز)

تاریخ دریافت : 1394/10/20 تاریخ پذیرش : 1394/10/20 تاریخ انتشار : 1390/01/01

کلید واژه: شبکه های عصبی, برنامه ریزی ژنتیک, تخمین, تراز سطح ایستابی, سامانه ی عصبی- فازی تطبیقی,

چکیده مقاله :

تخمین تراز سطح ایستابی از مسایل مهم و اساسی است که در برنامه ریزی کشاورزی، مدیریت منابع آب و تعیین نیاز آبی گیاهان بویژه در مواردی که از راهکارهای کم آبیاری بهره برده شود، دارای اهمیت فراوانی است. آگاهی از تراز سطح ایستابی می تواند در شوری و ماندابی شدن زمین وحتی زهکشی اراضی مفید باشد. در تحقیق حاضر از سامانه های هوشمند استنتاج عصبی – فازی تطبیقی، شبکه های عصبی مصنوعی و برنامه ریزی ژنتیک برای تخمین تراز سطح ایستابی دشت شبستر در استان آذربایجان شرقی، واقع در شمال غرب ایران بهره وری گردیده است. دراین تحقیق از اطلاعات 20 پیزومتر که دارای آمار بالای 17 سال بودند، استفاده شده است. نتایج حاصل حاکی از توانایی مطلوب برنامه ریزی ژنتیک در تحلیل پدیده ی غیر خطی تغییرات تراز سطح ایستابی است. با توجه به شاخص های آماری به کار گرفته شده در تحقیق حاضر، شبکه ی عصبی مصنوعی و نیز سامانه ی عصبی – فازی تطبیقی و برنامه ریزی ژنتیک قادر به تخمین دقیق تراز سطح ایستابی بوده و با وجود برخی تفاوت های جزیی در دقت حاصل از به کارگیری این سه روش، که روش برنامه ریزی ژنتیک را به عنوان بهترین روش پیشنهاد می نماید، هر سه روش از دقت قابل قبولی برخوردارند. نتایج نشان دادند که شبیه عصبی – فازی به عنوان بهترین شبیه در تخمین های مبتنی بر داده های 3 ماه قبل بوده و شبیه ژنتیک و عصبی مصنوعی به ترتیب در مراتب بعدی قرار دارند. همچنین راه حل های صریحی که نشانگر ارتباط بین متغیر های ورودی و خروجی می باشند، بر مبنای برنامه ریزی ژنتیک ارائه گردیده اند که این امر بر ارجحیت شبیه های ژنتیک بر دو شبیه دیگر می افزاید.  

منابع و مأخذ:

1- ایزدی، ع.، ک. داوری، ا. علیزاده، ب. قهرمان و س. ا.حقایقی مقدم. 1386. پیش بینی سطح ایستابی با استفاده ازشبکه عصبی مصنوعی (مطالعه موردی: دشت نیشابور). مجله آبیاری و زهکشی ایران. 71 -59 :(2)1.

2- Aytek, A., and O. Kisi. 2008. A geneticprogramming approach to suspended sedimentmodeling. J. Hydrol. 351: 288-298.

3- Babovic, V., and M. Keijzer. 2002. Rainfallrunoff modeling based on geneticprogramming . Nordic Hydrol. 33: 331-343.

4- Banzhaf, W., P. Nordin, R. E. Keller, and F.D. Francone. 1998. Genetic Programming.Morgan Kaufmann, San Francisco, CA.

5- Daliakopoulos, N. I., P. Coulibaly, and I. K.Tsanis. 2005. Ground water level forecastingusing artificial neural networks. J. Hydrol.309: 229-240.

6- Drecourt, J. P. 1999. Application of neuralnetworks and genetic programming to rainfallrunoff modeling. D2K Technical Rep. 0699-1-1. Danish Hydraulic Institute, Denmark.

7- Elizondo, D.A., R. W. McClendon, and G.Hoogenboom. 1994. Neural network modelsfor predicting flowering and physiologicalmaturity of soybean. Trans. ASAE. 37(3):981-988.

8- Ferreira, C. 2001. Gene expressionprogramming: a new adaptive algorithm forsolving problems. Complex Syst. 13(2): 87-129.

9- Francl, L. J., and S. Panigrahi. 1997.Artificial neural network models of wheat leafwetness. Agric. Forest. Meteorol. 88: 57-65.

10- Goldberg, D. E. 1989. Genetic algorithmsin search, optimization, and machine learning.Addison –Wesley, Reading, Mass.

11- Jang, J. S. R. 1993. ANFIS: adaptivenetwork-basedfuzzy inference system. IEEETrans. Syst. Manage. Cyber. 23(3): 665-685.

12- Jang, J. S. R., C. T. Sun, and E. Mizutani.1997. Neurofuzzy and soft computing: a

computational approach to learning andmachine intelligence. Prentice-Hall, NewJersey.

13- Keskin, M. E., O. Terzi, and D. Taylan.2004. Fuzzy logic model approaches to dailypan evaporation estimation in WesternTurkey. Hydrol. Sci. J. 49(6): 1001-1010.

14- Khu, S. T., S. Y. Liong, V. Babovic, H.Madsen, and N. Muttil. 2001. Geneticprogramming and its application in real- timerunoff forming. J. Am. Water Resour. Assoc.37(2): 439-451.

15- Kisi, O., and O. Ozturk. 2007. Adaptiveneurofuzzy computing technique forevapotranspiration estimation. J. Irrig. Drain.Engin. 133(4): 368-379.

16- Liong, S. Y., T. R. Gautam, S. T. Khu, V.Babovic, M. Keijzer, and N. Muttil, 2002.Genetic programming: A new paradigm inrainfall runoff modeling. . J. Am. WaterResour. Assoc. 38(3): 705-718.

17- Lippman, R. 1987. An introduction tocomputing with neural nets. IEEE ASSP Mag.

4: 4-22.

18- Moghaddamnia, A., M. Ghafari Gousheh,J. Piri, S. Amin, and D. Han. 2009. Evaporatinestimation using artificial neural networks andadaptive neurofuzzy inference systemtechniques. Advanc. water Resour. 32: 88-97.

19- Muttil, N., and S. Y. Liong. 2001.Improving runoff forecasting by input variable selection in GP. In: Proceedings of worldwater congres, ASCE.

20- Paruelo, J. M., and F. Tomasel. 1997.Prediction of functional characteristics of

ecosystems: a comparison of artificial neuralnetworks and regression models. Ecolog.Model. 98: 173-18.