مقايسه عملكرد مدل هاي ماشين بردار پشتيبان، برنامه ريزي بيان ژن وشبكه بيزين در پيش بيني جريان رودخانه ها (مطالعه موردي: رودخانه كشكان

Comparing the performance of support vector machine, gene expression programming and Bayesian networks in predicting river flow (Case study: Kashkan River

سابقه و هدف: پيش‌بيني جريان رودخانه‌ها يكي از مهم‌ترين موارد كليدي در مديريت و برنامه‌ريزي منابع آب‌ به‌ويژه اتخاذ تصميمات صحيح در مواقع سيلاب و بروز خشكسالي‌ها، است. براي پيش‌بيني ميزان جريان رودخانه‌ها رويكردهاي متنوعي در هيدرولوژي معرفي‌شده است كه مدل‌هاي هوشمند از مهمترين آن‌ها مي‌باشند. در اين پژوهش جهت ارزيابي دقت مدل‌ها در پيش‌بيني جريان رودخانه، از داده‌هاي روزانه حوضه آبريز كشكان واقع در استان لرستان استفاده‌شده است. جهت مدلسازي جريان روزانه رودخانه كشكان از مدلهاي ماشين بردار پشتيبان، برنامه‌ريزي بيان ژن و شبكه بيزين استفاده شد و نتايج براي بررسي صحت مدل‌هاي موردمطالعه با يكديگر مقايسه گرديد. در پژوهش‌هاي معدودي هر يك از مدل‌هاي بيان‌شده در پيش‌بيني دبي جريان روزانه موردبررسي قرارگرفته است اما هدف اين پژوهش بررسي همزمان اين مدل‌ها در يك حوضه براي پيش‌بيني جريان روزانه رودخانه مي‌باشد. مواد و روش: در اين پژوهش رودخانه كشكان واقع در استان لرستان به‌عنوان منطقه موردمطالعه انتخاب‌شده و جريان روزانه مشاهداتي اين حوضه در ايستگاه هيدرومتري پلدختر جهت واسنجي و اعتبارسنجي مدل‌ها بكار گرفته شد. براي اين منظور، در ابتدا 80 درصد از داده‌هاي جريان روزانه (1390-1383) براي واسنجي مدل‌ها انتخاب‌شده و 20 درصد داده‌ها (1393-1391) جهت اعتبارسنجي مدل‌ها استفاده شد. برنامه‌ريزي ژن يك تكنيك برنامه‌ريزي خودكار است كه راه‌حل مساله را با استفاده از برنامه‌ريزي كامپيوتر ارائه كرده و عضوي از خانواده الگوريتم تكاملي مي‌باشد. ماشين بردار پشتيبان نيز يك سيستم يادگيري كارآمد بر مبناي تئوري بهينه‌سازي مقيد است. همچنين شبكه بيزين، نمايش بامعني روابط نامشخص مابين پارامترها در يك فرآيند مي‌باشد و گرافي جهت‌دار غير حلقوي از گره‌ها براي نمايش متغيرهاي تصادفي و كمان‌ها براي نمايش روابط احتمالي مابين متغيرها به شمار مي‌رود. معيارهاي ضريب همبستگي، ريشه ميانگين مربعات خطا، ميانگين قدر مطلق خطا براي ارزيابي و نيز مقايسه عملكرد مدل‌ها در اين پژوهش مورداستفاده قرار گرفت. يافته‌ها: نتايج نشان داد هر سه مدل شبكه بيزين، برنامه‌ريزي بيان ژن و ماشين بردار پشتيبان، در ساختاري متشكل از 1 تا 5 تأخير زماني نتايج بهتري نسبت به ساير ساختارها ارائه مي‌دهد. همچنين با توجه به معيار ارزيابي نتيجه شد كه از بين مدل‌هاي به‌كاررفته مدل ماشين بردار پشتيبان، بيشترين دقت 910/0= R و كمترين ريشه ميانگين مربعات خطا l/s 2RMSE= و كمترين ميانگين قدر مطلق خطاl/s 1MAE= در مرحله صحت سنجي را دارا مي‌باشد. همچنين اين مدل در تخمين مقادير حداقل، حداكثر و مياني عملكرد خوبي از خود نشان داده است. نتيجه‌گيري: درمجموع نتايج نشان داد مدل ماشين بردار پشتيبان عملكرد بهتري نسبت به مدل‌هاي شبكه بيزين و برنامه‌ريزي بيان ژن دارد. بنابراين مدل ماشين بردار پشتيبان ميتواند در زمينه پيش‌بيني جريان روزانه رودخانه مؤثر بوده و در نوبه خود براي تسهيل توسعه و پياده‌سازي استراتژي‌هاي مديريت آب‌هاي سطحي مفيد باشد. و گامي در اتخاذ تصميمات مديريتي در جهت بهبود كميت منابع آب‌هاي سطحي ايجاد نمايد

Background and Objectives: River flow prediction is one of the most important key issues in the management and planning of water resources, in particular the adoption of proper decisions in the event of floods and the occurrence of droughts. In order to predict the flow rate of rivers, various approaches have been introduced in hydrology, in which intelligent models are the most important ones. Materials and Methods: In this study, daily data from Kashkan watershed in Lorestan province was used to evaluate the accuracy of models in river flow prediction. Support Vector Machine, Gene Expression Programming and Bayesian network were used to model the daily flow of Kashkan River and the results were compared with each other for the accuracy of the studied models. In a few studies, each of the models presented in the prediction of daily flow has been studied, but the purpose of this study is to simultaneously examine these models in a basin to predict the daily flow of the river. In this research, the Kashkan River in the Lorestan province was selected as the study area and the daily flow of observations of this basin was used at Pul-e-Dokhtar hydrometric station to calibrate and validate the models. For this purpose, at first 80% of the daily flow data (2004-2011) was selected for calibration of the models and 20% of the data (2012-2014) were used to validate the models. Gene expression programming is an automated scheduling method that provides problem solution using computer programming and is part of a family of evolutionary programming. A Support Vector Machine is also an efficient learning system based on optimization theory. Also, the Basin network is a meaningful representation of our uncertain relationships between parameters in a process and a non-circular directional graph of nodes for displaying random variables and arcs to represent potential relationships between variables. The correlation coefficients, root mean square error, mean absolute error was used for evaluation and also comparison of the performance of models in this research. Results: The results showed that all three models have better results in structures of 1 to 5 daily times than other specified structures. In addition to, according to the evaluation criteria, it was found between the models used, the Support Vector Machine model, the highest accuracy of R = 0.910, the lowest root mean square error of RMSE=0.002m3/s and the lowest absolute error value of MAE=0.001m3/s at verification stage. Conclusions: The results showed that an increase in the number of effective parameters in different models for simulation results in better performance in the discharge estimation. In addition to, the results showed that the Support Vector Machine model has a better performance than Gene Expression Programming and Bayesian network.