رضا زمانی فرشاد احمدی فریدون رادمنش


امروزه پیش‌بینی جریان روزانه رودخانه‌ها ار مباحث مهم در هیدرولوژی و منابع آب می‌باشد و می‌توان از نتایج الگوبندی جریان روزانه رودخانه در مدیریت منابع آب، خشکسالی‌ها و سیلاب‌ها استفاده کرد. با توجه به اهمیت این موضوع، در این پژوهش با استفاده از روش‌های سری زمانی خطی، غیرخطی و الگو‌های هوش مصنوعی (شبکه عصبی و برنامه‌ریزی بیان ژن) به الگوبندی جریان روزانه رودخانه کارون در محل ایستگاه آب‌سنجی ارمند طی دوره آماری (1390-1360) پرداخته شده است. حوضه بالادست ایستگاه ارمند از جمله زیرحوضه های اصلی حوضه کارون شمالی است که شامل چهار زیرحوضه ونک، کارون میانی، بهشت آباد و کوهرنگ است. نتایج این پژوهش نشان داده است که الگو‌های هوش مصنوعی دارای برتری نسبت به الگوی غیرخطی و خطی سری زمانی در الگوبندی جریان روزانه رودخانه کارون می‌باشند. همچنین الگوبندی و مقایسه الگو‌های هوش مصنوعی نیز نشان داد که روش برنامه‌ریزی بیان ژن دارای معیارهای ارزیابی مناسب‌تری نسبت به روش شبکه عصبی مصنوعی می‌باشد.

جزئیات مقاله

1- Ainkaran P. 2004. Analysis of some linear and nonlinear time series models. A thesis submitted in fulfillment of the requirements for the degree of Master of Science, School of Mathematics and Statistics, University of Sydney.
2- Akaike H. 1974. A New Look at the Statistical Model Identification. IEEE Transactions on Automatic Control, AC-19, 716–723.
3- Alvisi S., Mascellani G., Franchini M., and Bardossy A. 2005. Water level forecasting through fuzzy logic and artificial neural network approaches. J Hydrol Earth Sys, Sci. 2: 1107-1145.
4- Aytek A., and Asce M. 2008. An application of artificial intelligence for rainfall runoff modeling. J Hydrol Earth Syst, Sci. 117(2): 145-155.
5- Baareh A.K.M., Sheta A.F., and Khnaifes K.A. 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.
6- Caiado J. 2007. Forecasting water consumption in Spain using univariate time series models. Munich Personal RePEc Archive, No: 6610.
7- Dai Y. and Billard L. 2003. Maximum likelihood estimation in space time bilinea models. Journal of Time Series Analysis, 24(1): 25-44.
8- Dannademehr A. and Tabatabai M.R.M. 2010. Prediction of Daily discharge trend of river flow based on genetic programming. J. of Water and soil. 24(2): 325-333. (In Persian).
9- Dogan E., Isik S., Toluk T., and Sandalci M. 2007. Daily streamflow forecasting using artificial neural networks. Pp. 448-459. International Congress River Flood Management. Ankara, Turkey.
10- Fan J., and Yao Q. 2003. Nonlinear time series, nonparametric and parametric methods. Springer-Verlag, NewYork, Inc.
11- Farbodfam N., Ghorbani M.A., and Aalami M.T. 2009. Forecasting river flow using genetic programming (Case study: Lighwan watershed). J. Agric. Sci. 19(1): 4. 107-123. (In Persian).
12- Ferreira C. 2001. Gene expression programming: A new adaptive algorithm for solving problems. Complex Systems, 13(2): 87-129.
13- Firat M. 2007. Artificial intelligence techniques for river flow forecasting in the Seyhan river catchment, Turkey. J Hydrol Earth Syst, Sci. 4: 1369-1406.
14- Ghorbani M.A., Shiri J., and Kazemi H. 2010. Estimation of Maximum, Mean and Minimum Air Temperature in Tabriz City Using Artificial Intelligent Methods. J. Agric, Sci. 20(3): 4. 87-104. (In Persian).
15- Ghorbani M.A., Kisi O., and Aalinezhad M. 2010. A probe into the chaotic nature of daily streamflow time series by correlation dimension and largest Lyapunov methods. Applied Mathematical Modelling, 34: 4050–4057.
16- Govindaraju R.S. 2000. Artificial neural network in hydrology. Journal of hydrologic Engineering, 5(2): 115-123.
17- Granger C.W.J. and Andersen A.P. 1978. An Introduction to Bilinear Time Series Models. Vandenhoek and Ruprecht: Gottingen.
18- Guven A. 2009. Linear genetic programming for time-series modeling of daily flow rate. J Earth Syst, Sci. 118(2): 157-173.
19- Khalili K., Fakheri Fard A., Dinpashoh Y., and Ghorbani M.A. 2011. Nonlinearity and testing for stream flow processes by BDS test (Case study: Shaharchai river). J. Agric. Sci. 22(2): 25-37. (In Persian).
20- Khalili K., Ahmadi F., Abghari H., and Besharat S. 2013. Stationary and nonlinearity analysis of river flow at different time scales (Case study: Barandouz-Chai River). 9th International River Engineering Conference, Ahwaz, Iran.
21- 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 American Water Resources Association, 37(2): 439-451.
22- Kisi O. 2007. Streamflow Forecasting Using Different Artificial Neural Network Algorithms. Journal of Hydrologic Engineering, 12(5): 533-539.
23- Lifshits M.A. 2006. Invariance principle in a bilinear model with weak nonlinearity. Journal of Mathematical Sciences, 137(1), 4541-4545.
24- Lohani A.K., Kumar R. and Singh R.D. 2012. Hydrological time series modeling: A comparison between adaptive neuro-fuzzy, neural network and autoregressive techniques. J. Hydrology, 442–443, 23–35.
25- 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). J. of Water and soil, 26(5): 1299-1307. (In Persian).
26- Salas J.D. 1993. Analysis and Modeling of Hydrological Time Series. In: Handbook of Hydrology, edited by David R, Maidment, McGraw-Hill, New York, 19(72).
27- Subba Rao T., and Gabr M. 1984. An Introduction to Bispectral Analysis and Bilinear Time Series Models. Lecture Notes in Statistics, 24, Springer-Verlag: New York.
28- Tsay R.S. 2002. Analysis of financial time series. University of Chicago, A Wiley – Interscience Publication, John Wiley f Sons; Inc.
29- Tsonis A.A. 2001. Probing the linearity and nonlinearity in the transitions of the atmospheric circulation. Nonlinear Processes Geophysics, 8: 341-345.
30- Wang W., Van G., Pieter H.A.J.M., Vrijling J.K., and Ma J. 2005. Testing and modelling autoregressive conditional heteroskedasticity of stream flow processes. Nonlin. Processes Geophys., 12: 55–66, doi:10.5194/npg-12-55.
31- Wang W., Vrijling J.K., Pieter H.A.J.M., Van G., and Ma J. 2006. Testing for nonlinearity stream flow processes at different timescales. J. Hydrology, 322(1): 247-268.
ارجاع به مقاله
زمانیر., احمدیف., & رادمنشف. (2014). مقایسه روش های برنامه‌ریزی بیان ژن، سری زمانی غیرخطی، خطی و شبکه عصبی مصنوعی در تخمین دبی روزانه (مطالعه موردی: رودخانه کارون). آب و خاک, 28(6), 1172-1182. https://doi.org/10.22067/jsw.v0i0.32553
نوع مقاله
علمی - پژوهشی