پیش‌بینی جریان رودخانه شهرچای در حوضه آبریز دریاچه ارومیه با استفاده از برنامه‌ریزی ژنتیک و مدل درختی M5

آب و خاک

مقاله 7، دوره 29، شماره 5، دی 1394، صفحه 1190-1206   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v29i5.33942

نویسندگان

سعید صمدیان فرد^* ؛ رضا دلیرحسن نیا

دانشگاه تبریز

چکیده

منابع آب شیرین قابل استحصال با محدودیت جدی مواجه است، بنابراین پیش‌بینی هرچه دقیق‌تر جریان رودخانه در تحلیل بسیاری از پدیده‌های خشکسالی و سیلاب، آبگیری از رودخانه‌ها و سایر مسائل مرتبط از اهمیت بالایی برخوردار بوده و از ارکان اساسی برنامه‌ریزی و مدیریت منابع آب‌های سطحی می باشد. از این‌رو متخصصان همواره برای تخمین صحیح دبی رودخانه و اصلاح روش‌های موجود تلاش می‌نمایند. در این راستا و در تحقیق حاضر، از روش‌های هوشمند برنامه‌ریزی ژنتیک و مدل درختی M5 برای مدل‌سازی و پیش‌بینی جریان رودخانه شهرچای در حوضه آبریز دریاچه ارومیه استفاده شده است. بدین منظور، داده‌های میانگین ماهانه دبی رودخانه شهرچای در ایستگاه بند در بازه زمانی بین سال‌های 1330 الی 1390 برای واسنجی و صحت‌سنجی روش‌های مذکور مورد استفاده قرار گرفته و دقت این روش‌ها با استفاده از پارامترهای آماری جذر میانگین مربعات خطا، میانگین خطای مطلق و ضریب همبستگی مورد بررسی قرار گرفته است. نتایج حاصل از این مطالعه نشان دادند که روش برنامه ریزی ژنتیک با دارا بودن خطای 3094/3 و مدل درختی M5 با خطای 5514/3 در حالت استفاده از حافظه‌های دبی یک، دو و سه ماه قبل (Qt-1, Qt-2, Qt-3) با داشتن کمترین مقدار خطا، عملکرد مناسبی در پیش‌بینی جریان رودخانه داشته اند. در نهایت روش برنامه ریزی ژنتیک در حالت استفاده از توابع ریاضی متشکل از چهار عملی اصلی، لگاریتم و توان و با در نظر گرفتن پارامترهای ورودی Qt-1,Qt-2,Qt-3 و دارا بودن بهترین عملکرد، به‌عنوان روشی مناسب برای پیش‌بینی جریان رودخانه پیشنهاد گردید.

کلیدواژه‌ها

پارامترهای آماری؛ تخمین؛ دبی جریان؛ روش‌های هوشمند

مراجع

1- Alberg D., Last M., and Kandel A. 2012. Knowledge discovery in data streams with regression tree methods. Data Mining and Knowledge Discovery, 2(1): 69-78.

2- Alikhanzadeh A. 2013. Data mining. Olomrayaneh, Sari.

3- Aqil M., Kita I., Yano A., and Nishiygama A. 2005. A comparative study of artificial network and hourly behavior of run off. Journal of Hydrology, 337: 22-34.

4- Aytek A., and Alp M. 2008. An application of artificial intelligence for rainfall–runoff modeling. Journal of Earth System Science, 117(2): 145-155.

5- Bhattacharya B., and Solomatine D.P. 2006. Machine learning in sedimentation modeling. Neural Networks, 19(2): 208-214.

6- Danandehmehr A., 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).

7- Ebrahimi Mohammadi S.H., and Boshri Se Ghaleh, M. 2011. Modeling and prediction of monthly discharge stream (case study: Qarasou River), 4th Iran Water Resources Management Conference, Amir kabir University of Technology, Tehran (In Persian).

8- El-Shafie A., RedaTaha M., and Noureldin A. 2007. A neuro-fuzzy model for inflow forecasting of the Nile river at Aswan high dam. Water Resource Management, 21: 533-556.

9- Fallahi M.R., Varvani H., and Goliyan S. 2012. Precipitation forecasting using regression tree model to flood control. 5th International watershed and water and soil resources management, 1-2 March, Kerman, Iran.

10- Farboudfam N., Ghorbani M.A., and Alami M.T. 2009. River flow prediction using genetic programming (Case study: Lighvan river watershed). Water and Soil Science, 19(1): 107-123. (in Persian with English abstract).

11- Firat M., and Gungor M. 2006. River flow estimation using adaptive neuro-fuzzy inference system. Journal of Mathematics and Computers in Simulation, 75(3-4): 87-96.

12- Ghobadian R., Ghorbani M.A., and Khalaj M. 2013. Comparison of performance of dynamic wave and gen expression programming methods to river flood routing. Journal of Water and Soil, 27(3): 592-602. (in Persian with English abstract).

13- Khalili K., Fakheri Fard A., Dinpaghoh Y., Ahmadi F., and Behmanesh J. 2013. Introducing and application of combined BL-ARCH model for daily river flow forecasting (Case study: Shahar-Chai river). Journal of Water and Soil, 27(2): 342-350. (in Persian with English abstract).

14- Khatibi R., Ghorbani M.A., Hasanpourkashani M., and Kisi O. 2010. Comparison of three artificial intelligence techniques for discharge routing. Journal of hydrology, 403(3-4): 201-212.

15- Khazaei m., and Mirzaei M.R. 2013. Comparison of artificial neural network and time series in prediction of monthly river flows. Journal of Watershed Engineering and Management, 5(2): 74-84. (in Persian).

16- 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 the American Water Resources Association, 37(2): 439-451.

17- Koza J.R. 1992. Genetic Programming: On the Programming of Computers by Means of Natural Selection. MIT Press.

18- Liu W.C., and Chen W.B. 2012. Prediction of water temperature in a subtropical subalpine lake using an artificial neural network and three-dimensional circulation models. Computers Geosciences, 45: 13-25.

19- Londhe S.N., and Dixit P.R. 2011. Forecasting Stream Flow Using Model Trees. International Journal of Earth Sciences and Engineering, 4(6): 282-285.

20- Moradizadeh Kermani F., Ghorbani M.A., Dinpashoh Y., and Farsadizadeh D. Afshari H.R. 2013. Predicting model of river streamflow based on chaotic phase space reconstruction. Water and Soil Science, 22(4): 1-16. (in Persian with English abstract).

21- Nabizadeh M., Mosaedi A., Hesam M., Dehghani A.A., Zakerinia M., and Meftah, M. 2012. River flow forecasting using fuzzy inference system (FIS) and adaptive neuro-fuzzy inference system (ANFIS). Iran-Watershed Management Science & Engineering, 5(17): 7-14. (in Persian with English abstract).

22- 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). Journal of Water and Soil, 26(5): 1299-1307. (in Persian with English abstract).

23- Nourani, V., and Salehi, K. 2008. Rainfall-runoff modeling using Adaptive Neuro-Fuzzy network in comparison with Neural Network and Fuzzy Inference methods. CD’s of 4th national congress of civil engineering, Tehran University, 8p. (In Persian).

24- Pal M. 2006. M5 model tree for land cover classification. International Journal of Remote Sensing, 27(4): 825-831.

25- Quinlan J.R. 1992. Learning with continuous classes. In proceedings AI, 90 (Adams & Sterling, Eds), Singapore.

26- Sattari M.T., Pal M., Apaydin H., and Ozturk F. 2013. M5 model tree application in daily river flow forecasting in Sohu stream, Turkey. Water Resources, 40(3): 233-242.

27- Zahiri A.R., and Ghorbani Kh. 2013. Flow discharge prediction in compound channels by using decision model tree M5. Journal of Water and Soil Conservation, 24(3): 113-132. (in Persian with English abstract).