نوع مقاله : مقالات پژوهشی
نویسندگان
ارومیه
چکیده
پیش بینی جریان رودخانه به منظور فعالیت های مرتبط با برنامه ریزی و بهره برداری منابع آب لازم و ضروری است. عملکرد دو الگوی هوشمند شامل فازی-عصبی تطبیقی (مبتنی بر روش افراز شبکه) و برنامه ریزی بیان ژن در پیش بینی جریان رودخانه بررسی شد. 21 سال رواناب ماهانه دو ایستگاه صفاخانه واقع بر روی رودخانه ساروق چای و سنته واقع بر رودخانه خرخره چای در حوضه آبریز زرینه رود استفاده شد. اثرات تناوبی و فصلی جریانات ماهانه در این تحقیق بر روی عملکرد الگوها ارزیابی شد. با در نظر گرفتن ضریب فصلی در الگوی برنامه ریزی بیان ژن مقدار آماره ضریب تعیین به ازای بهترین الگو به میزان 19/0 و 25/0 به ترتیب برای ایستگاه های صفاخانه و سنته افزایش یافت. همچنین عملکرد دو الگوی فوق برای پیش بینی جریان با داده های ایستگاه مجاور نیز بررسی شد. نتایج به دست آمده نشان داد که هر دو روش فازی-عصبی و برنامه ریزی بیان ژن می توانند به طور موفقیت آمیزی برای پیش بینی رواناب ماهانه رودخانه استفاده شوند. در این حالت مقدار آماره ریشه میانگین مربعات خطا با به کارگیری بهترین ترکیب ورودی برای الگوهای فازی-عصبی تطبیقی و برنامه ریزی بیان ژن به ترتیب برابر 88/4 و 89/4 به دست آمد. اما الگوی برنامه ریزی بیان ژن-به دلیل ارائه رابطه ریاضی حاکم بر مساله مورد بررسی-نسبت به الگوی فازی-عصبی تطبیقی برتری دارد.
کلیدواژه‌ها
عنوان مقاله [English]
River Flow Forecasting by Using Soft computing
نویسندگان [English]
- sarvin ghavidel
- sarvin zamanzad ghavidel
چکیده [English]
Forecasts of streamflows are required for many activities associated with the planning and operation of components in a water resource system. This paper demonstrates the application of two different intelligent approaches including adaptive neuro-fuzzy (ANFIS) based on grid partition and Gene Expression Programming (GEP) for the prediction of monthly streamflows. In the first part of the study, ANFIS and GEP models were used in one-month ahead streamflow forecasting and the results were evaluated. Monthly run-off data of 21 years from two stations, the Safakhaneh Station on the Sarough-Chay Stream and the Senteh Station on the Kherkherh-Chay Stream in the Zarrineh-rud Basin of Iran were used in the study. The effect of periodicity on the model’s forecasting performance was also investigated. By application of periodicity coefficient in GEP model, determination coefficient in the case of the best input combination for Safakhaneh and Senteh increased 0.19 and 0.25, respectively. In the second part of the study, the performance of the ANFIS and GEP techniques was tested for streamflow estimation using data from the nearby river. The results indicated that the GEP and ANFIS models could be employed successfully in forecasting streamflow. In this case, for the best input combination, root mean square error (RMSE) for ANFIS and GEP obtained equal to 4.88 and 4.89 respectively. However, GEP is superior to ANFIS in giving explicit expressions for the problem.
کلیدواژه‌ها [English]
- Grid Partition
- Gene Expression Programming
- forecasting
- Monthly run-off
- Adaptive neuro-fuzzy
)
ارسال نظر در مورد این مقاله