برنامه‌ریزی ژنتیک و کاربرد آن در مدل‌سازی فرآیند بارش- رواناب

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشکده کشاورزی دانشگاه تبریز

2 دانشگاه تبریز

چکیده

نقش و اهمیت فرآیند بارش-رواناب در مطالعات منابع آب موجب شده که این فرآیند از دیر باز مورد توجه متخصصین قرار گیرد. از این رو روش های متعددی همچون شبکه های عصبی مصنوعی، سیستم های فازی و نرو فازی، آنالیز موجک، الگوریتم ژنتیک، برنامه‌ریزی ژنتیک و معادلات دیفرانسیل تصادفی برای مدلسازی فرآیند بارش-رواناب توسعه یافته است. برنامه ریزی ژنتیک علاوه بر توانایی استخراج رابطه‌ی بین متغیّرهای ورودی و خروجی به طور خودکار و هوشمند، متغیّرهایی که در مدل بیشترین تأثیر را دارند انتخاب می‌کند. در این تحقیق، برنامه ریزی ژنتیک(GP) برای مدلسازی فرآیند بارش-رواناب روزانه در حوضه آبریز لیقوان با مساحت 19/76 کیلومتر مربع استفاده شده است. از آنجایی که GP توان انتخاب بهترین متغیرها را دارد، ابتدا متغیرهای معنی‌دار با 10 بار اجرای GP مشخص و سپس مدلسازی با متغیرهای معنی‌دار و دو مجموعه عملگر ریاضی انجام شد. در مقایسه نتایج دو مدل حاصل از دو مجموعه عملگر ریاضی درحالت بهینه، ضریب همبستگی و میانگین مربعات خطا برای آموزش در دو مدل یکسان و به ترتیب 85/0 و 06/0 و برای تست در مدل حاصل از مجموعه عملگر ریاضی یک، به ترتیب 93/0 و 2/0 و در مدل حاصل از مجموعه عملگر ریاضی دو، به ترتیب 97/0 و 08/0 به دست آمد. بنابراین مدل حاصل از مجموعه عملگر ریاضی دو، به عنوان مدل بارش-رواناب حوضه آبریز لیقوان پیشنهاد ‌گردید.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Genetic Programming and Its Application in Rainfall-Runoff Modeling

نویسندگان [English]

  • A Soltani 1
  • MA Gorbani 1
  • A Fakheri Fard 1
  • S Darbandi 1
  • D Farsadizadeh 2
چکیده [English]

The role and importance of  rainfall-runoff  process in water resources studies has led this process to be considered by many researchers. Different methods such as artificial neural networks, fuzzy systems, neurofuzzy, wavelet analysis, genetic algorithm, genetic programming and stochastic differential equations have been developed for rainfall-runoff modeling. Furthermore, genetic programming which involves a mathematical model relating output and input variables, is able to select input variables that effectively contribute to the model. In this research, genetic programming (GP) was applied to modeling of daily basis rainfall-runoff  process in Lighvan watershed with area of 76.19 km2. According to the ability of GP in selecting the best variables, the significant variables were selected after 10 times running of GP. Modeling process was carried out using selected variables as well as two sets of mathematical operators. Comparing the results obtained for both models indicated that correlation coefficients and mean square errors using training data set were equal for both of them i.e. 0.85 and 0.06, respectively. For the test data the coefficients became 0.93, 0.2 for set (1) and 0.97 and 0.08 for set (2), respectively. The model obtained from set (2) of the mathematical operators, was selected as the desirable one for the rainfall-runoff analysis in the watershed.

کلیدواژه‌ها [English]

  • genetic programming
  • Lighvan watershed
  • Modeling
  • Rainfall-runoff
بی نام، 1381. گزارش­های آماری هواشناسی و هیدرولوژی سازمان آب منطقه­ای استان آذربایجان شرقی.
فربودفام ن، قربانی م ع، اعلمی م ت، 1388. پیش بینی جریان رودخانه با استفاده از برنامه­ریزی ژنتیک (­مطالعه موردی: حوضه آبریز رودخانه لیقوان­). مجله دانش کشاورزی. جلد 19. شماره 4 صفحه­های 107-123.
Aytek  A and Kisi O, 2008. A genetic programming approach to suspended sediment modeling.
 J Hydrol 351: 288-298.
Aytek A, Asce M and Alp M. 2008. An application of artificial intelligence for rainfall–runoff modeling. J  Earth System Science 117: 145-155.
Jay awardena AW, Muttil N and Fernando TMKG, 2005. Rainfall-Runoff Modelling using Genetic Programming.Pp.1841-1847. International Congress on Modelling and Simulation Society of Australia and New Zealand December 2005, New Zealand.
Khu ST, Liong SY, Babovic V, Madsen H and Muttil N, 2001. Genetic programming and its application in real- time runoff forecasting. J  Am Water Res Assoc 37: 439-451.
Koza JR, 1992. Genetic programming: On the programming of computers by means of natural selection. Cambridge, MA: MIT Press.
Liong SY, Gautam TR, Khu ST, Babovic V, Keijzer M and Muttil  N, 2002. Genetic programming: A new paradigm in rainfall runoff modeling. J  Am Water Res Assoc 38: 705-718.
Sette S, Boullart L, 2001. Genetic programming: principles and applications. Engineering Applications of Artificial Intelligence 14: 727–736.
Sherman LK 1932. Streamflow from rainfall by the unit-graph method. Engineering News Record 108: 501-505.
Ustoorikar K and Deo MC, 2008. Filling up gaps in wave data with genetic programming. Marine Structures 21: 177-195.
Whigham PA and Crapper PF, 2001. Modeling rainfall–runoff using genetic programming. Mathematical and Computer Modeling 33: 707–721.