نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی منابع آب، دانشگاه شهید چمران اهواز .

2 دانشیار گروه مهندسی منابع آب، دانشگاه شهید چمران اهواز.

3 استادیار گروه مهندسی آب، دانشگاه شهر کرد.

چکیده

     برآورد دقیق آبدهی رودخانه ها یکی از موارد مهم در پیش بینی خشکسالی، سیلاب، طراحی سازه­‌های آبی، بهره برداری از مخازن سدها و کنترل رسوب می باشد.روش­های متعددی همچون مدل­های سری­زمانی، شبکه­های عصبی مصنوعی، منطق فازی و برنامه­ریزی ژنتیک برای پیش­بینی جریان رودخانه به کار می­رود. در مطالعه حاضر به منظور پیش­بینی جریان رودخانه باراندوزچای از دو روش برنامه­ریزی ژنتیک و شبکه­های بیزین استفاده شد. داده­های جریان روزانه این رودخانه در محل ایستگاه آبسنجی دیزج در خلال سال­های 1385 تا 1389 برای ایجاد مدل استفاده شد که 80 درصد داده­ها برای آموزش و 20 درصد برای صحت­سنجی مدل به کار رفت. جهت بررسی و ارزیابی نقش حافظه در افزایش یا کاهش دقت، الگوهای ورودی متعددی به مدل­ها معرفی شد و در نهایت مشخص گردید که با افزایش حافظه، دقت مدل­سازی نیز افزایش می­یابد به طوری که بیشترین دقت در الگوی سوم برای هر دو روش به دست می­آید و سپس با افزایش حافظه از دقت مدل­سازی کاسته می­شود. مقایسه نتایج دو مدل نشان داد که دقت روش برنامه­ریزی ژنتیک با دارا بودن ضریب همبستگی برابر با 978/0 و جذر میانگین مربعات خطا معادل با (m3/s)66/1 نسبت به روش شبکه­های بیزین با داشتن ضریب همبستگی معادل با 964/0 و جذر میانگین مربعات خطا برابر با (m3/s)96/1   بیشتر است. همچنین عملکرد روش برنامه­ریزی ژنتیک در تخمین دبی­های کمینه و متوسط به مراتب بهتر از روش شبکه­های بیزین می­باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Application of Bayesian Networks and Genetic Programming for Predicting Daily River Flow (Case Study: Barandoozchay River)

نویسندگان [English]

  • Farshad Ahmadi 1
  • Feraidoon Radmanesh 2
  • Rasoul mir abbasi najf abadi 3

چکیده [English]

     Accurate estimation of river discharge is an important issue in forecasting of drought and floods, designing of water structures, dam reservoir operation and sediment control. So far, several methods such as time series models, Artificial Neural Networks, Fuzzy models and Genetic programming have been used for accurate predicting of river flow. In this study, Genetic Programming and Bayesian Networks methods were used to forecast daily discharge of Barandoozchay River. The daily discharge data of Barandoozchay River measured at the Dizaj hydrometric station during 2007 to 2011 was used for modeling, which 80% of the data used for training and remaining 20% used for testing of models. For assessing the role of memory in increasing or reducing of model accuracy, we tested different combinations of input variables. The results showed that at first, the accuracy of models increase with increasing of memory, as the most accuracy obtained in third combination of input variables in both of methods. After that with increasing of memory the accuracy of models decreased. Comparing the performance of GP and BNs models indicated that the accuracy of the GP method with the R=0.978 and RMSE=1.66 (m3/s) was slightly more than BNs method with R=0.964 and RMSE=1.96 (m3/s). In addition, the performance of GP method was better than BNs method in predicting minimum and average discharges.

کلیدواژه‌ها [English]

  • Genetic Programming
  • Daily discharge forecasting
  • Bayesian networks
  • Barandoozchay river