بررسی کارایی روش‌های پیش‌پردازش داده‌ها در بهبود عملکرد مدل برنامه‌ریزی بیان ژن (مطالعه موردی: رودخانه آب زال)

آب و خاک

مقاله 1، دوره 35، شماره 2 - شماره پیاپی 76، خرداد و تیر 1400، صفحه 153-165   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2021.14975.0

نویسنده

فرشاد احمدی^*

گروه هیدرولوژی و منابع آب، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران

چکیده

در این مطالعه سعی گردیده تاثیر کاربرد ضرایب فصلی و روش ریاضی تحلیل و پردازش سیگنال تحت عنوان تبدیل موجک در بهبود عملکرد مدل برنامه­ریزی بیان ژن (GEP) در پیش­بینی جریان ماهانه رودخانه آب زال در دوره آماری 1351 تا 1396 مورد بحث و بررسی قرار گیرد. بدین منظور داده­ها در سه حالت مختلف شامل الف) استفاده از داده­های جریان و در نظر گرفتن نقش حافظه تا چهار تاخیر، ب) دخالت دادن ترم پریودیک در دو حالت خطی (α-GEP) و غیرخطی (PT-GEP) و ج) تجزیه داده­ها با استفاده از پنج تابع موجک مختلف به دو زیرسری جزئیات و تقریب، آماده و به مدل GEP معرفی گردید. نتایج حاصل از اجرای مدل­های خطی و غیرخطی GEP نشان داد که در هر دو حالت، مدل با چهار تاخیر به بیشترین دقت در پیش­بینی جریان رودخانه دست یافته اما عملکرد مدل غیرخطی GEP با توجه به شاخص­های ارزیابی مورد استفاده اندکی بهتر بود. در مرحله بعد ترم پریودیک به ورودی­های مدل افزوده شد. براساس نتایج به دست آمده مدل PT-GEP با الگوی M4 کمترین خطا و بیشترین دقت را به خود اختصاص داده و توانسته شاخص RMSE را هشت درصد کاهش دهد. سپس در گام سوم داده­های جریان رودخانه با استفاده از توابع موجک تجزیه و مدل­های W-GEP ایجاد گردید. نتایج کلی این پژوهش نشان داد که مدل­های W-GEP از عملکرد بسیار مطلوبی برخوردار بوده به طوری که می­توان از آنها به عنوان یک روش موثر در پیش­بینی جریان میان­مدت رودخانه­ها استفاده نمود.

کلیدواژه‌ها

برنامه‌ریزی بیان ژن؛ تابع موجک؛ سطح تجزیه؛ مدل هیبرید

مراجع

1-       Ahmadi F., Dinpashoh Y., Fakheri F. A., Khalili K., and Darbandi S. 2015. Comparing nonlinear time series models and genetic programming for daily river flow forecasting (Case study: Barandouz-Chai River). Journal of Water and Soil Conservation 22(1) : 121-169. (In Persian with English abstract)

2-       Ahmadi F., Radmanesh F., and Mirabbasi Najaf Abadi R. 2014. Comparison between Genetic Programming and Support Vector Machine Methods for Daily River Flow Forecasting (Case Study: Barandoozchay River). Journal of Water and Soil 28(6): 1162-1171. (In Persian with English abstract)

3-       Ahmadi F., Radmanesh F., and Mirabbasi R. 2016. Comparing the performance of Support Vector Machines and Bayesian networks in predicting daily river flow (Case study: Baranduz Chai River). Journal of Water and Soil Conservation 22(6): 171-186. (In Persian with English abstract)

4-       Ashofteh P.S., Bozorg-Haddad O., and Loáiciga H.A. 2020. Logical genetic programming (LGP) application to water resources management. Environmental Monitoring and Assessment 192(1): 34-42.

5-       Daubechies I. 1992. Ten lectures on wavelets. 2nd ed. Philadelphia: SIAM, CBMS-NSF regional conference series in applied mathematics 61.

6-       Deka P.C., and Prahlada R. 2012. Discrete wavelet neural network approach in significant wave height forecasting for multistep lead time. Ocean Engineering 43: 32-42.

7-       Farbodfam N., Ghorbani M.A., and Aalami M.T. 2009. Forecasting river flow using genetic programming (Case study: Lighwan watershed). Journal of Water and Soil Science 19(1):107-123. (In Persian with English abstract)

8-       Ferreira C. 2002. Genetic representation and genetic neutrality in gene expression programming. Advances in Complex Systems 5(4): 389-408.

9-       Freire P.K.D.M.M., Santos C.A.G., and da Silva G.B.L. 2019. Analysis of the use of discrete wavelet transforms coupled with ANN for short-term streamflow forecasting. Applied Soft Computing 80: 494-505.

10-   Ghorbani M.A., Shiri J., and Kazemi H. 2010. Estimation of Maximum, Mean and Minimum Air Temperature in Tabriz City Using Artificial Intelligent Methods. Journal of Agriculture Science 20(4): 87-104. (In Persian with English abstract)

11-   Hadi S.J., and Tombul M. 2018. Monthly streamflow forecasting using continuous wavelet and multi-gene genetic programming combination. Journal of Hydrology 561: 674-687.

12-   Kumar M., and Sahay R.R. 2018. Wavelet-genetic programming conjunction model for flood forecasting in rivers. Hydrology Research 49(6): 1880-1889.

13-   Labat D. 2005. Recent advances in wavelet analyses: Part 1. A review of concepts. Journal of Hydrology 314: 275-288.

14-   Lohani A.K., Kumar R., and Singh R.D. 2012. Hydrological time series modeling: A comparison between adaptive neuro-fuzzy, neural network and autoregressive techniques. Journal of Hydrology 442: 23-35.

15-   Mallat S.G. 1998. A wavelet tour of signal processing, San Diego.

16-   Grossmann A., and Morlet J. 1984. Decomposition of Hardy functions into square integrable wavelets of constant shape. SIAM Journal on Mathematical Analysis 15(4): 723-736.

17-   Mehr A.D. 2018. An improved gene expression programming model for streamflow forecasting in intermittent streams. Journal of Hydrology 563: 669-678.

18-   Mehr A.D., and 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. (In Persian with English abstract)

19-   Mehr A.D., and Nourani V. 2018. Season algorithm-multigene genetic programming: a new approach for rainfall-runoff modelling. Water Resources Management 32(8): 2665-2679.

20-   Montaseri M., and Zamanzad Ghavidel S. 2014. River Flow Forecasting by Using Soft computing. Journal of Water and Soil 28(2): 394-405. (In Persian with English abstract)

21-   Nohegar A., Motamednia M., and Malekian A. 2016. Daily river flood modeling using genetic programming and artificial neural network (Case study: Amameh representative watershed). Physical Geography Research Quarterly 48(3): 367-383. (In Persian with English abstract)

22-   Parmar K. S., Makkhan S.J.S., and Kaushal S. 2019. Neuro-fuzzy-wavelet hybrid approach to estimate the future trends of river water quality. Neural Computing and Applications 31(12): 8463-8473.

23-   Polikar R. 1996. Fundamental concepts and an overview of the wavelet theory. Second Edition, Rowan University, College of Engineering Web Servers, Glassboro. NJ. 08028.

24-   Rahmani-Rezaeieh A., Mohammadi M., and Mehr A.D. 2020. Ensemble gene expression programming: a new approach for evolution of parsimonious streamflow forecasting model. Theoretical and Applied Climatology 139(2): 549-564.

25-   Solgi A., Zarei H., and Golabi M. 2017. Performance Assessment of Gene Expression Programming Model Using Data Preprocessing Methods to Modeling River Flow. Journal of Water and Soil Conservation 24(2): 185-201. (In Persian with English abstract)

26-   Sun Y., Niu J., and Sivakumar B. 2019. A comparative study of models for short-term streamflow forecasting with emphasis on wavelet-based approach. Stochastic Environmental Research and Risk Assessment 33(10): 1875-1891.

27-   Tayyab M., Zhou J., Dong X., Ahmad I., and Sun N. 2019. Rainfall-runoff modeling at Jinsha River basin by integrated neural network with discrete wavelet transform. Meteorology and Atmospheric Physics 131(1): 115-125.

28-   Wang W., and Ding J. 2003. Wavelet Network Model and Its Application to the Prediction of Hydrology. Nature and Science, pp. 67-71.

29-   Yaseen Z.M., Sulaiman S.O., Deo, R.C., and Chau K.W. 2019. An enhanced extreme learning machine model for river flow forecasting: State-of-the-art, practical applications in water resource engineering area and future research direction. Journal of Hydrology 569: 387-408.