کارآیی مدل برنامه ریزی ژنتیک در شبیه سازی فرآیند بارش- رواناب (مطالعه موردی : حوضه آبریز رودخانه خرم آباد)
Subject Areas : Irrigation and Drainageحمیدرضا باباعلی 1 , زهره رامک 2 , رضا سپهوند 3
1 - 1) دکتری سازه‌های آبی، گروه مهندسی عمران، عضو هیات علمی دانشگاه آزاد اسلامی واحد خرمآباد، خرم آباد، ایران.
2 - دکتری مهندسی منابع آب، فارغ‌التحصیل دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، تهران، ایران.
3 - 3) دانش آموخته کارشناس ارشد، گروه مهندسی عمران، منابع آب، دانشگاه صنعتی اصفهان، اصفهان، ایران.
Keywords:
Abstract :
پیشبینی میزان دبی رودخانه یکی از مسایل مهمِ مهندسی منابع آب است؛ این موضوع از نظر برنامـهریـزی، مـدیریت، و سیاستگذاری منابع آبی در راستای توسعة اقتصادی و زیستمحیطی بهویژه در کشوری مثل ایران، با منابع آبی محدود اهمیت بسیار زیادی دارد. آگاهیازچگونگیارتباطبینبارندگیورواناب حوضههایآبریزبخشجدانشدنیمطالعاتطرحهایآبی میباشد. فقداندادههایکافیبارش-رواناببهدلیلنبود ایستگاههایآبسنجیمناسب،اهمیتبهکارگیری روشهای نامستقیم و الگوریتمهای فراکاوشیرابرایبرآوردمیزانروانابحوضههای آبریزبیشازپیشنمایانمیسازد. در این تحقیق از مدل برنامهریزی ژنتیک بهمنظور شبیهسازی فرآیند بارش-رواناب حوضه آبریز رودخانه خرمآباد استفاده شده است و برای معرفیالگوهاوشناساییبهترینالگویحاکمبرماهیت جریان، با استفاده از توابع برازش و انجام فرآیندهای توسعهای و تکرار به منظور یافتن تعداد تکرار بهینه، همه دادههای دوره آماری به دو دسته آموزش و آزمایش(52% آموزش و 48% آزمایش) تقسیم شدند و برنامه برای 1000 تکرار اجرا گردید. همچنین جهت ارزیابی روابط حاصله از مدل شبیهساز، از شاخصهای جذر میانگین مربعات خطا (RMSE)،میانگین خطای مطلق(MSE) وضریب تعیین (R2) استفاده شده است. بررسیهای انجام شده حاکی از آن است که فرمول استفاده شده شماره 3 بیشترین انطباق را با دادههای مشاهداتی دارد. بنابراین پیشنهاد میشود جهت مطالعات بارش- رواناب این حوضه از فرمول ذکر شده استفاده گردد. نتیجه این تحقیق مدل برنامهریزی ژنتیک را یک روش صریح و دقیق برای پیشبینی جریان رودخانه در حوضه آبریز رودخانه خرمآباد پیشنهاد مینماید.
امام قلیزاده، ص.، کریمیدمنه، ر و مهدیپناه، ح. ( 1395). برآورد رواناب حوضه آبریز کسیلیان با استفاده از روش برنامهریزی بیان ژن، مطالعات منابع طبیعی، محیط زیست و کشاورزی، جلد 3، سال دوم- شماره 4 و 5پیاپی ( 11 و 12)، ص7-1.
امیدی، ر. ( 1393). مقایسه پیش بینی آبدهی جریان رودخانه خرم آباد با استفاده از سریهای زمانی و شبکه عصبی مصنوعی ،گروه هیدرولوژی و منابع آب پایان نامه کارشناسی ارشد ، دانشگاه شهید چمران اهواز دانشکده مهندسی علوم آب.
داننده مهر، ع و مجدزاده طباطبایی، م. ( 1389). بررسی تأثیر توالی دبی روزانه در پیش بینی جریان رودخانه ها با استفاده از برنامهریزی ژنتیک، نشریه آب و خاک (علوم و صنایع کشاورزی)، جلد 24، شماره2، ص 333-325.
سلاجقه،ع.،فتحآبادی، اومهدوی،م. (۱۳۸۸ .( بررسی کارایی روشهای عصبی- فازی و مدلهای آماری در شبیه سازی فرآیند بارش- رواناب. مجلهی منابع طبیعی ایران، نشریه مرتع و آبخیزداری ، دوره 62، شماره1، ص 80-65.
سلطانی، ع. (1389). مدلسازی بارش- رواناب با استفاده از برنامهریزی ژنتیک (GP) و معادلات دیفرانسیل تصادفی(SDE) در حوضه آبریز لیقوان، پایان نامه کارشناسی ارشد در رشته منابع آب،گروه مهندسی آب، دانشگاه تبریز.
فربودنام،ن.،قربانی،م. ع. واعلمی، م. (1388). پیشبینی جریان رودخانه با استفاده از برنامهریزی ژنتیک )مطالعه موردی: رودخانه لیقوان( مجله دانش آب و خاک ، دانشگاه تبریز، دوره 19، ص123 -107 .
فضائیلی، ح. ( 1389). استفاده از روش برنامهریزی ژنتیک در مدلسازی بارش- روناب، پایاننامه کارشناسی ارشد، گروه مهندسی آب، دانشگاه تبریز .
محمد صالحی، پ، رائینی سرجاز، م و ضیاء طبار احمدی، م. (1386). شبیهسازی بارش - رواناب با مدل ریاضی مبتنی بر سامانه اطلاعات جغرافیایی برای حوزه آبریز امامه، مجله علوم کشاورزی و منابع طبیعی، جلد پانزدهم، شماره اول، ویژه نامه منابع طبیعی، ص 1-11.
Aytek, A. and M., Asce. (2008). An application of artificial intelligence for rainfall runoff modeling. Journal of Earth System Science, 117(2), pp: 145-155.
Aytek, A. and Kisi, O.,”A. (2007). genetic programming approach to suspended sediment modelling”, Journal of Hydrology, 351, pp: 288-298.
Ghorbani, M. A., Kisi, O. and M., Aalinezhad. (2010). A probe into the chaotic nature of daily streamflow time series by correlation dimension and largest Lyapunov methods. Applied Mathematical Modelling, 34, pp: 4050–4057.
Guven, A. (2009). Linear genetic programming for time-series modeling of daily flow rate. Journal of Earth System Science, 118 (2), pp: 157-173.
Harun, S., Ahmat Nor, N.I. and Kassim, A.H.M. (2002). Artificial Neural Network Model for Rainfall-Runoff Relationship, Journal Technology, Vol. 37, pp: 1–12.
Huo, Z., Feng, S., Kang, S., Huang, G., Wang, F and Guo, P. (2012). Integrated Neural Networks for Monthly River Flow Estimation in Arid Inland Basin of Northwest China, Journal of Hydrology, 420-421, pp: 159-170.
Jayawardena, A.W., Muttil, N and Fernando, T.M.K.G.(2005). Rainfall-Runoff Modeling Using Genetic Programming. International Congress on Modeling and Simulation Society of Australia and New Zealand December, pp: 1841-1847.
Khu, S.T., Liong,S.Y., Babovic,V, Madsen,H, Muttil,N. (2001). Genetic Programming and its application in real-time runoff forecasting, Journal of the American Water Resources Association, 37(2), pp: 439-451.
Koza,J.R. (1992). Genetic Programming: on the programming of computers by means of natural selection. Cambridge, MA: MIT Press, pp: 35-80.
Liong, S. Y., Gautam, T. R., Khu, S. T., Babovic, V., and Muttil, N. (2002). Genetic Programming: A New Paradigm in Rainfall- Runoff Modelling, Journal of American Water Resources Association 38(3), pp: 705-718.
Lopes, HS and Weinert, WR .(2004). EGIPSYS: an enhanced gene expression programming approach for symbolic regression problems. International Journal of Applied Mathematics and Computer Science 14(3), pp: 375-384.
Whigham,P.A and Crapper,P.F.(2001). Modelling Rainfall-Runoff using Genetic Programming ,CSIRO Land and Water, P.O. Box 1666, Canberra, A.C.T. 2601, Australia, Mathematical and Computer Modellhrg 33 (2001) ,pp:707-721.
Zahiri , A and Azamathulla, H.( 2014). Comparison between linear genetic programming and M5 tree models to predict flow discharge in compound channels. Neural Computing and Applications, 24, pp: 413-420.
