برآورد مقدار جامدات محلول رودخانه با استفاده از محاسبات نرم (مطالعه موردی: بالادست سد بوکان)

آب و خاک

مقاله 9، دوره 29، شماره 5، دی 1394، صفحه 1262-1277  

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v29i5.41618

نویسندگان

سروین زمان زاد قویدل¹؛ کامران زینال زاده ²

¹ارومیه

²دانشگاه ارومیه

چکیده

زندگی بشر در کره زمین در گرو تأمین آب مناسب از نظر کمی و کیفی قرار دارد. در سال های اخیر استفاده از مدل های ریاضی برای شبیه سازی کیفیت آب رودخانه ها توسعه زیادی یافته که به دلیل پیچیدگی و تعدد فرآیندهای کیفی منابع آب سطحی، استفاده از محاسبات نرم روشی نو جهت پیش بینی کیفیت آب رودخانه ها می باشد. در این مطالعه، قابلیت روش شبکه های عصبی مصنوعی با الگوریتم آموزشی لونبرگ- ماکوارت، سامانه استنتاجی عصبی-فازی تطبیقی مبتنی بر مدل دسته بندی تفریقی و برنامه ریزی بیان ژن برای مدل بندی خصوصیات کیفیت آب رودخانه در بالادست سد مخزنی بوکان واقع در حوضه آبریز زرینه رود و برآورد میزان جامدات محلول (TDS)ارزیابی و مقایسه شدند. بدین منظور از داده های کیفیت آب دو ایستگاه هیدرومتری آنیان و صفاخانه در بالادست سد مخزنی بوکان با طول دوره آماری 18 ساله (1389-1372) استفاده گردید. ابتدا در یک آنالیز اولیه آماری بر اساس رگرسیون گام به گام، پارامترهای مؤثر و اصلی کیفیت آب در پیش بینیTDS تعیین گردید. نتایج بیانگر عملکرد قابل قبول هر سه روش شبکه عصبی مصنوعی، سامانه استنتاجی عصبی-فازی تطبیقی و برنامه ریزی بیان ژن برای مدل بندی میزان جامدات محلول در بالادست سد می باشد. برنامه ریزی بیان ژن، سامانه استنتاجی عصبی-فازی تطبیقی و شبکه عصبی مصنوعی با پنج پارامتر ورودی بیشترین دقت را داشتند. برنامه ریزی بیان ژن علاوه بر عملکرد بالا، در ایستگاه های آنیان و صفاخانه به ترتیب با ضرایب همبستگی 962/0 و 971/0 و ریشه میانگین مربعات خطا mg/L 82/12 و mg/L 08/29، روابط ریاضی جهت برآورد مقدار جامدات محلول در رودخانه های بالادست سد را نیز ارائه داد.

کلیدواژه‌ها

بیان ژن؛ جامدات محلول؛ زرینه رود؛ شبکه عصبی مصنوعی؛ عصبی-فازی

مراجع

1- Alvisi S., Mascellani G., Franchini M., and Bardossy A. 2005. Water level forecasting through fuzzy logic and artificial neural network approaches, Journal of Hydrology and Earth System Sciences, 2: 1107-1145.

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

3- Aytek A., and Kisi O. 2008. A genetic programming approach to suspended sediment modelling, Journal of Hydrology, 351:288-298.

4- Caudill M. 1987. Neural networks primer: Part I, AI Expert, 2(12), 46-52.

5- Chiu S.L. 1995. Extracting fuzzy rules for pattern classification by cluster estimation, p. 1–4. In: The 6th International Fuzzy Systems Association World Congress.

6- Farboudnam N., Ghorbani M.A., and Alami M.T. 2009. River Flow Prediction Using Genetic Programming (Case Study: Lighvan River Watershed), Journal of Soil and Water, 19(1): 107-123. (in Persian with English abstract)

7- Goyal M.K., and Ojha C.S.P. 2011. Estimation of scour downstream of a ski-jump bucket using support vector and M5 model tree, Water Resources Management, 25(9): 2177–2195.

8- Guven A. 2009. Linear genetic programming for time-series modeling of daily flow rate, Journal of Earth System Science, 118 (2): 137–146.

9- Guven A., and Gunal M. 2008. Genetic programming approach for prediction of local scour downstream hydraulic structures, Journal of Irrigation and Drainage Engineering, 134(2):7 241-249.

10- Guven A., and Talu N.E. 2010. Gene-expression programming for estimating suspended sediment in Middle Euphrates Basin, Turkey, CLEAN-Soil Air Water, 38(12): 1159–1168.

11- Hashmi M.Z., Shamseldin A.Y., and Melville B.W. 2011. Statistical downscaling of watershed precipitation using Gene Expression Programming (GEP), Environmental Modelling & Software, 26:1639-1646.

12- Jain S.K., Das A., and Srivastava D.K. 1999. Application of ANN for reservoir inflow prediction and operation, Journal of Water Resources Planning and Management, ASCE, 125(5): 263-271.

13- Jang J.S.R. 1993. ANFIS: adaptive-network-based fuzzy inference system, IEEE Transactions on Systems. Man and Cybernetics, 23 (3): 665–685.

14- Kisi O., Shiri J., Nikoofar B. 2012. Forecasting daily lake levels using artificial intelligence approaches, Computers & Geosciences, 41: 169–180.

15- Kisi O., Shiri J., and Tombul M. 2013. Modeling rainfall-runoff process using soft computing techniques, Computers & Geosciences, 51: 108–117.

16- Legates D.R. and McCabe G.J. 1999. Evaluating the use of goodness-of-fit measures in hydrologic and hydroclimatic model validation, Water Resources Research, 35 (1): 233-241.

17- Misaghi F., and Mohammady k. 2004. Forcasting quality variiouse of ZayandehRood river water by using artifical neural networks. The 2th National Student Conference in water and soil resources, College of Agriculture, Shiraz University. (in Persian with English abstract)

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

19- Najah A., Elshafie A., Karim O., and Jaffar O. 2009. Prediction of Johor river water quality parameters using artificial neural networks, European Journal of Scientific Research, 28: 422-35.

20- Sanikhani H., and Kisi O. 2012. River Flow Estimation and Forecasting by Using Two Different Adaptive Neuro-Fuzzy Approaches, Water Resources Management, 26: 1715–1729.

21- Sengorur B., Dogan E., Koklu R., and Samandar A. 2006. Dissolved oxygen estimation using artificial neural network for water quality control, Fresenius Environmental Bulletin, 15: 1064–1067.

22- Shafaei Y., Farzaneh M., and Teshnehlab M. 2002. Modeling of producting trip by using Adaptive

23- Neuro-Fuzzy. Issue of Engineering Faculty, 36(3): 361-170,(in Persian with English abstract)

24- Shiri J., Kisi O., Landeras G., Lopez J.J., Nazemi A.H., and Stuyt L.C.P.M. 2012. Daily refernec evapotranspiration modeling by using genetic programming approach in the Basque Country (Northern Spain), Journal of Hydrology, 414- 415, 302–316.

25- Sighn K.P., Basant A., Malik A., and Jain G. 2009. Artificial neural network modeling of the river water quality-A case study, Ecological Modelling, 220: 888–895.

26- Traore S., and Guven A. 2012. Regional-specific numerical models of evapotranspiration using gene-expression programming interface in Sahel, Water Resources Management, 26(15):4367-4380.