پیش‌بینی جریان رودخانه با استفاده از برنامه‌ریزی ژنتیک (مطالعه موردی: حوضه آبریز رودخانه لیقوان)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه آزاد اسلامی واحد مهاباد

2 دانشکده کشاورزی دانشگاه تبریز

3 دانشکده عمران دانشگاه تبریز

چکیده

روش­های متعددی هم­چون مدل سری­های زمانی، شبکه­های عصبی مصنوعی، منطق فازی، نرو فازی و برنامه­ریزی ژنتیک برای پیش­بینی جریان رودخانه به کار می­رود. در تحقیق حاضر از روش نوین برنامه­ریزی ژنتیک جهت پیش­بینی جریان روزانه رودخانه لیقوان در حوضه آبریز دریاچه ارومیه در دوره آماری 1376 تا 1380 استفاده شد.  هم­چنین نقش حافظه در کاهش یا افزایش دقت پیش بینی مورد بررسی قرار گرفت. جهت مدل­سازی جریان رودخانه با برنامه­ریزی ژنتیک از حافظه­های دبی یک روز قبل، دو روز قبل، .... و پنج روز قبل استفاده شد و نتایج بر اساس شاخص­های آماری جذر میانگین مربعات خطا و ضریب همبستگی مورد بررسی قرار گرفت. نتایج تا حافظه دبی چهار روز قبل، رو به بهبود بوده و بعد از آن رو به نزول گذاشت. جهت بررسی بیشتر این فرایند از مدل شبکه­های عصبی مصنوعی نیز استفاده گردید. برای مدل شبکه­های عصبی، ساختارهای مختلفی مورد بررسی قرار گرفت که ساختار با چهار نرون در لایه ورودی و شش نرون در لایه پنهان و یک نرون در لایه خروجی، بهترین نتایج را داد. برای مدل شبکه­های عصبی مصنوعی نیز حافظه تا دبی چهار روز قبل رو به بهبود بوده و بعد از آن رو به نزول می­گذارد. در مقایسه نتایج دو مدل، در مورد حالت بهینه مدل برنامه­ریزی ژنتیک، ضریب همبستگی و جذر میانگین مربعات خطا برای آموزش به ترتیب 959/. و 029/0 و برای حالت بهینه مدل شبکه­های عصبی مصنوعی به ترتیب 948/. و 215/. می­باشد. لذا برنامه­ریزی ژنتیک از دقت بیشتری نسبت به مدل شبکه­های عصبی مصنوعی برخوردار بوده و به عنوان روشی مناسب و دقیق جهت پیش­بینی پیشنهاد می­گردد. 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

River Flow Prediction Using Genetic Programming ( Case Study : Lighvan River Watershed )

نویسندگان [English]

  • N Farboudfam 1
  • MA Ghorbani 2
  • MT Alami 3
چکیده [English]

The genetic programming and artificial neural networks as well as time series and (neuron) fuzzy logic, are used in predicting the river flow. In the present study, the genetic programming was applied to predict daily river flow of Ligvan river in Urmia lake watershed for the period of 1997 to 2001 and the memory rule was investigated in decreasing or increasing of forecasting accuracy . In order to model the river flow by genetic programming, the river flow discharge of over 5 days with daily time steps were used. The resulted values of river flow were evaluated by statistical measures, includes root mean square error and correlation coefficient. The results showed the feasibility of employed genetic programming for over 4 days predictions intervals in term of correlation coefficient (0.959) and root mean square error (0.029). Application of artificial neural networks in prediction of river flow had the same trend as for the genetic programming, but with a relatively low accuracy. The best structure of the neural network was three layered network with 4, 6, and 1 neuron in input, hidden and output layers, respectively, with a correlation coefficient of 0.948 and root mean square of 0.215.  Therefore, the proposed genetic programming model could be successfully used in modeling the daily river flow. 

کلیدواژه‌ها [English]

  • Artificial Neural Networks
  • genetic programming
  • Lighvan
  • River flow prediction
Abrahart RJ and See L, 2000. Neural network vs ARMA modeling : Constructing benchmark case study of river flow prediction, Pp. 1021-1028. 3rd International Conference on Hydroinformatics. Copenhagen, Denmark.
Alvisi S, Mascellani G, Franchini M and  Bardossy A, 2005. Water level forecasting through fuzzy logic and artificial neural network approaches. J Hydrol Earth Syst Sci 2: 1107-1145.
Aytek A, Asce M and Alp M, 2008. An application  of artificial intelligence for rainfall runoff modeling. J Hydrol Earth Syst Sci 117(2): 145-155.
Aytek A and Kisi O, 2008. A genetic programming approach to suspended sediment modeling. J Hydrol Eng 351: 288-298.
Baareh AKM, Sheta AF and Khnaifes KA, 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.
Borelli A, DeFalco I, Della CA, Nicodemi M and Trautteur G, 2006. Performance of genetic programming to extract the trend in noisy data series. Physica A 370: 104-108.
Dogan E, Isik S, Toluk T and Sandalci M, 2007. Daily streamflow forecasting using artificial neural networks. Pp. 448-459. InternationalCongressRiver Flood Management. Ankara, Turkey.
Firat M, 2007. Artificial intelligence techniques for river flow forecasting in the Seyhan river catchment, Turkey. J Hydrol Earth Syst Sci 4: 1369-1406.
Kisi O, 2004. River flow modeling using artificial neural networks. J Hydrol Eng 9(1): 60-63.
Kisi O, 2005. Daily river flow forecasting using artificial neural networks and auto-regressive models. J  Eng  Env  Sci 29:  9-20.
Khu ST, Liong SY, Babovic V, Madsen H and Muttil N, 2001. Genetic programming and its application in real- time runoff forming. J  Am Water Res Assoc 37(2): 439-451.
Koza J, 1992. Genetic programming on the programming of computers by natural selection. MIT Press, Cambridge, MA.
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(3): 705-718.
Ustoorikar K and Deo MC, 2008. Filling up gaps in wave data with genetic programming. J Marine Struct 21: 177-195.