ارزيابي مدل برنامه‌ريزي بيان ژن در تخمين دبي جريان؛ مطالعه موردي ايستگاه هيدرومتري يالخري

Evaluation of gene expression programming approach in River Discharge Estimation (Case Study: Yalkhry hydrometric station)

پيش‌بيني جريان رودخانه‌ها از مباحث مهم در هيدرولوژي و منابع آب مي‌باشد و مي‌توان از نتايج الگوبندي جريـان رودخانـه در مديريت منابع آب، خشكسالي‌ها و سيلاب‌ها استفاده كرد. روش برنامه‌ريزي بيان ژن جديدترين شيوه از بين روش‌هاي الگوريتم تكاملي مي‌باشد كه به دليـل دارا بـودن دقـت كـافي، از كـاربرد بيشـتري برخوردار است. اين روش با استفاده از اطلاعات موجود در داده‌ها و بدون هيچ فرضيه‌اي در ساختار رابطه بين متغير‌هاي مسـتقل و وابسـته، رابطـه‌اي مناسب بين آن‌ها برقرار كرده و هيدروگراف خروجي را پيش‌بيني مي‌كند. در اين پژوهش با اسـتفاده از روش برنامه‌ريزي بيان ژن به الگوبندي جريان رودخانه نساء در محل ايستگاه آب‌سـنجي يالخري طي دوره آماري (1390-1371) پرداخته شده است. كارآيي ‌مدل ‌با‌ استفاده ‌از‌ سه‌ معيار ضريب همبستگي (R)، ريشه ميانگين مربعات خطا (RMSE) و ميانگين خطاي مطلق (MAE) ‌محاسبه ‌شد. مقايسه‌ توابع مختلف ‌نشان‌ داد ‌كه‌ عملگر F5 ‌با‌ ضريب‌همبستگي (560/0)، جذر ‌ميانگين‌ مربعات ‌خطا‌ (673/3 مترمكعب بر ثانيه) و ميانگين خطاي مطلق ( 488/1 مترمكعب بر ثانيه) بهترين ‌تخمين ‌را ‌از ‌داده‌هاي ‌‌جريان ‌رودخانه ‌نسبت ‌به ‌ديگر توابع‌ مدل داشته‌است.

River flow forecasting is an important issue in hydrology and water resources management as it can be used the monitoring droughts and floods. Gene expression programming (GEP) is the newest evolutionary algorithm method which has attracted numerous applications due to its higher accuracy. Using the information given by data patterns, GEP identifies appropriate relationships between the input-output data set, without any preliminary assumption on the structures of those relationships and predicts the output hydrograph. In this study, using the GEP techniques, river flow has been forecasted) in the Yalkhry hydrometric station on the Nesa River using the data from 1992 to2011. The performance of the model was evaluated through using three performance criteria, namely, Correlation Coefficient (R), Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). A comparison of different function set indicates that F5 operators with R (0.560), RMSE (3.673 m3/s) and MAE (1.488 m3/s) showed the most accurate results among other applied function sets.