مقایسه روش های برنامه‌ریزی بیان ژن، سری زمانی غیرخطی، خطی و شبکه عصبی مصنوعی در تخمین دبی روزانه (مطالعه موردی: رودخانه کارون)

آب و خاک

مقاله 6، دوره 28، شماره 6، بهمن 1394، صفحه 1172-1182   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.32553

نویسندگان

رضا زمانی^* ؛ فرشاد احمدی؛ فریدون رادمنش

دانشگاه شهید چمران اهواز

چکیده

امروزه پیش‌بینی جریان روزانه رودخانه‌ها ار مباحث مهم در هیدرولوژی و منابع آب می‌باشد و می‌توان از نتایج الگوبندی جریان روزانه رودخانه در مدیریت منابع آب، خشکسالی‌ها و سیلاب‌ها استفاده کرد. با توجه به اهمیت این موضوع، در این پژوهش با استفاده از روش‌های سری زمانی خطی، غیرخطی و الگو‌های هوش مصنوعی (شبکه عصبی و برنامه‌ریزی بیان ژن) به الگوبندی جریان روزانه رودخانه کارون در محل ایستگاه آب‌سنجی ارمند طی دوره آماری (1390-1360) پرداخته شده است. حوضه بالادست ایستگاه ارمند از جمله زیرحوضه های اصلی حوضه کارون شمالی است که شامل چهار زیرحوضه ونک، کارون میانی، بهشت آباد و کوهرنگ است. نتایج این پژوهش نشان داده است که الگو‌های هوش مصنوعی دارای برتری نسبت به الگوی غیرخطی و خطی سری زمانی در الگوبندی جریان روزانه رودخانه کارون می‌باشند. همچنین الگوبندی و مقایسه الگو‌های هوش مصنوعی نیز نشان داد که روش برنامه‌ریزی بیان ژن دارای معیارهای ارزیابی مناسب‌تری نسبت به روش شبکه عصبی مصنوعی می‌باشد.

کلیدواژه‌ها

الگوبندی؛ هوش مصنوعی؛ دبی روزانه؛ رودخانه کارون

مراجع

1- Ainkaran P. 2004. Analysis of some linear and nonlinear time series models. A thesis submitted in fulfillment of the requirements for the degree of Master of Science, School of Mathematics and Statistics, University of Sydney.

2- Akaike H. 1974. A New Look at the Statistical Model Identification. IEEE Transactions on Automatic Control, AC-19, 716–723.

3- Alvisi S., Mascellani G., Franchini M., and Bardossy A. 2005. Water level forecasting through fuzzy logic and artificial neural network approaches. J Hydrol Earth Sys, Sci. 2: 1107-1145.

4- Aytek A., and Asce M. 2008. An application of artificial intelligence for rainfall runoff modeling. J Hydrol Earth Syst, Sci. 117(2): 145-155.

5- Baareh A.K.M., Sheta A.F., and Khnaifes K.A. 2006. Forecasting river flow in the USA : A comparison between auto- regression and neural network non-parametric models. J Comput Sci, 2(10): 775-780.

6- Caiado J. 2007. Forecasting water consumption in Spain using univariate time series models. Munich Personal RePEc Archive, No: 6610.

7- Dai Y. and Billard L. 2003. Maximum likelihood estimation in space time bilinea models. Journal of Time Series Analysis, 24(1): 25-44.

8- Dannademehr A. and Tabatabai M.R.M. 2010. Prediction of Daily discharge trend of river flow based on genetic programming. J. of Water and soil. 24(2): 325-333. (In Persian).

9- Dogan E., Isik S., Toluk T., and Sandalci M. 2007. Daily streamflow forecasting using artificial neural networks. Pp. 448-459. International Congress River Flood Management. Ankara, Turkey.

10- Fan J., and Yao Q. 2003. Nonlinear time series, nonparametric and parametric methods. Springer-Verlag, NewYork, Inc.

11- Farbodfam N., Ghorbani M.A., and Aalami M.T. 2009. Forecasting river flow using genetic programming (Case study: Lighwan watershed). J. Agric. Sci. 19(1): 4. 107-123. (In Persian).

12- Ferreira C. 2001. Gene expression programming: A new adaptive algorithm for solving problems. Complex Systems, 13(2): 87-129.

13- Firat M. 2007. Artificial intelligence techniques for river flow forecasting in the Seyhan river catchment, Turkey. J Hydrol Earth Syst, Sci. 4: 1369-1406.

14- Ghorbani M.A., Shiri J., and Kazemi H. 2010. Estimation of Maximum, Mean and Minimum Air Temperature in Tabriz City Using Artificial Intelligent Methods. J. Agric, Sci. 20(3): 4. 87-104. (In Persian).

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

16- Govindaraju R.S. 2000. Artificial neural network in hydrology. Journal of hydrologic Engineering, 5(2): 115-123.

17- Granger C.W.J. and Andersen A.P. 1978. An Introduction to Bilinear Time Series Models. Vandenhoek and Ruprecht: Gottingen.

18- Guven A. 2009. Linear genetic programming for time-series modeling of daily flow rate. J Earth Syst, Sci. 118(2): 157-173.

19- Khalili K., Fakheri Fard A., Dinpashoh Y., and Ghorbani M.A. 2011. Nonlinearity and testing for stream flow processes by BDS test (Case study: Shaharchai river). J. Agric. Sci. 22(2): 25-37. (In Persian).

20- Khalili K., Ahmadi F., Abghari H., and Besharat S. 2013. Stationary and nonlinearity analysis of river flow at different time scales (Case study: Barandouz-Chai River). 9th International River Engineering Conference, Ahwaz, Iran.

21- Khu S.T., Liong S.Y., Babovic V., Madsen H., and Muttil N. 2001. Genetic programming and its application in real- time runoff forming. Journal of American Water Resources Association, 37(2): 439-451.

22- Kisi O. 2007. Streamflow Forecasting Using Different Artificial Neural Network Algorithms. Journal of Hydrologic Engineering, 12(5): 533-539.

23- Lifshits M.A. 2006. Invariance principle in a bilinear model with weak nonlinearity. Journal of Mathematical Sciences, 137(1), 4541-4545.

24- 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. J. Hydrology, 442–443, 23–35.

25- Naveh H., Khalili K., Alami M.T., and Behmanesh J. 2012. Forecasting River flow By Bilinear Nonlinear Time Series Model (Case Study: Barandoz-Chay & Shahar-Chai Rivers). J. of Water and soil, 26(5): 1299-1307. (In Persian).

26- Salas J.D. 1993. Analysis and Modeling of Hydrological Time Series. In: Handbook of Hydrology, edited by David R, Maidment, McGraw-Hill, New York, 19(72).

27- Subba Rao T., and Gabr M. 1984. An Introduction to Bispectral Analysis and Bilinear Time Series Models. Lecture Notes in Statistics, 24, Springer-Verlag: New York.

28- Tsay R.S. 2002. Analysis of financial time series. University of Chicago, A Wiley – Interscience Publication, John Wiley f Sons; Inc.

29- Tsonis A.A. 2001. Probing the linearity and nonlinearity in the transitions of the atmospheric circulation. Nonlinear Processes Geophysics, 8: 341-345.

30- Wang W., Van G., Pieter H.A.J.M., Vrijling J.K., and Ma J. 2005. Testing and modelling autoregressive conditional heteroskedasticity of stream flow processes. Nonlin. Processes Geophys., 12: 55–66, doi:10.5194/npg-12-55.

31- Wang W., Vrijling J.K., Pieter H.A.J.M., Van G., and Ma J. 2006. Testing for nonlinearity stream flow processes at different timescales. J. Hydrology, 322(1): 247-268.