پديد آورندگان :
سلگي، اباذر داﻧﺸﮕﺎه ﺷﻬﯿﺪ ﭼﻤﺮان اﻫﻮاز - ﮔﺮوه ﻣﻬﻨﺪﺳﯽ ﻣﻨﺎﺑﻊ آب , زارعي، حيدر داﻧﺸﮕﺎه ﺷﻬﯿﺪ ﭼﻤﺮان اﻫﻮاز - ﮔﺮوه هيدرولوژي و ﻣﻨﺎﺑﻊ آب , گلابي، محمدرضا داﻧﺸﮕﺎه ﺷﻬﯿﺪ ﭼﻤﺮان اﻫﻮاز - ﮔﺮوه ﻣﻬﻨﺪﺳﯽ ﻣﻨﺎﺑﻊ آب
كليدواژه :
ﺑﺮﻧﺎﻣﻪ رﯾﺰي ﺑﯿﺎن ژن , ﭘﯿﺶ ﭘﺮدازش داده ﻫﺎ , ﺗﺒﺪﯾﻞ ﻣﻮﺟﮏ , روش ﺳﺎزي ﺟﺮﯾﺎن , ﻣﺪل ،PCA
چكيده فارسي :
سابقه و هدف: نياز روزافزون به آب سبب گرديده است كه برنامه‌ريزي‌هاي مديريتي به‌منظور كنترل مصرف آب در آينده از اهميت بيشتري برخوردار باشد. با پيش‌بيني جريان رودخانه‌ها علاوه بر مديريت بهره‌برداري از منابع آب، مي‌توان حوادث طبيعي نظير سيل و خشكسالي را نيز پيش‌بيني و مهار نمود. به همين دليل برآورد صحيح و دقيق جريان رودخانه با استفاده از مدل‌هاي مختلف يكي از موضوعاتي است كه در منابع آب مورد بررسي پژوهشگران مي‌باشد. مدل‌هاي هوشمند جهت پيش بيني جريان رودخانه توسط پژوهشگران مختلف به كار رفته‌اند. يكي از اين مدل‌ها كه عملكرد خوبي از خود نشان داده است مدل برنامه‌ريزي بيان ژن مي‌باشد. اخيراً شيوه استفاده از مدل‌هاي هوشمند به صورت تركيبي مورد پذيرش قرار گرفته است كه جهت انجام اين كار معمولاً از تبديل موجك استفاده مي‌شود.
مواد و روش‌ها : در اين مطالعه از مدل برنامه‌ريزي بيان ژن(GEP) براي مدل‌سازي جريان در مقياس‌هاي روزانه و ماهانه در رودخانه گاماسياب استفاده شد. براي اين منظور از داده‌هاي بارش، دما، تبخير و جريان رودخانه گاماسياب در ايستگاه وراينه با يك دوره آماري 43 ساله (1390-1348) استفاده شد. براي افزايش عملكرد مدل از دو روش پيش‌پردازش داده‌ها يعني تبديل موجك(Wavelet Transform) و تجزيه به مؤلفه‌هاي اصلي(PCA) استفاده شد. بدين‌صورت كه سيگنال اوليه هر يك از پارامترهاي ورودي با استفاده از تبديل موجك تجزيه شد. سپس براي مشخص كردن زيرسيگنال‌هاي مهم از روش تجزيه به مؤلفه‌هاي اصلي استفاده شده و زيرسيگنال‌هاي مهم به عنوان ورودي به مدل برنامه‌ريزي بيان ژن وارد شد تا مدل تركيبي برنامه‌ريزي بيان ژن-موجك(WGEP) حاصل گرديد.
يافته‌ها: بررسي ساختارهاي مختلف براي مدل برنامه‌ريزي بيان ژن نشان داد كه عملكرد مدل در دوره روزانه خوب بوده ولي در دوره ماهانه عملكرد كاهش يافته است. مقايسه مدل تركيبي برنامه‌ريزي بيان ژن-موجك با مدل برنامه‌ريزي بيان ژن نشان داد كه عملكرد مدل تركيبي در هر دو دوره زماني روزانه و ماهانه از مدل ساده بهتر بوده است. دليل اين امر به خاطر پيش پردازشي است كه روي داده‌ها پياده شده بود. اين در حالي است كه نتايج مدل تركيبي در دوره روزانه حدود 4 درصد و در دوره ماهانه 23 درصد ضريب تعيين مدل را افزايش داد. همچنين با توجه به تعداد زياد زيرسيگنال‌ها به كار بردن روش PCA باعث افزايش سرعت اجراي برنامه شد.
نتيجه‌گيري: استفاده از روش‌هاي پيش‌پردازش داده‌ها باعث افزايش عملكرد مدل شده است و استفاده از روشPCA به عنوان يك ابزار كمكي براي تبديل موجك موجب افزايش سرعت و دقت مدل شده است. به طور كلي نتايج اين مطالعه نشان داد كه مي‌توان از تركيب مدل برنامه‌ريزي بيان ژن با تبديل موجك به عنوان يك ابزار مناسب براي مدل‌سازي و پيش‌بيني جريان رودخانه گاماسياب بهره برد.
چكيده لاتين :
Background and Objectives: An increasing need to water causes the importance of planning management in order to control water consumption in the future. River flow prediction, in addition to the management of water resources, can predict natural disasters such as flood and drought. Therefore, an accurate estimation of river flow using different models is an issue which has been considered by different water resource researchers. Intelligent models have been used to predict river flow. One of these models, which have shown appropriate performance, is Gene Expression Programming (GEP). A use of intelligent models in combinations has been lately accepted and for this purpose, the wavelet transform is usually used.
Materials and Methods: In this study, the GEP model was used for modeling flow in the daily and monthly scale in Gamasiyab River. For this purpose, data of precipitation, temperature, evaporation and flow Gamasiyab River in Varayeneh Station was used during the period from 1970 to 2012. To increase the accuracy of the model, two methods of data pre-process, called Wavelet transform, and principal components analysis (PCA) and were used in such a way that the primary signal of each input parameter was decomposed using the wavelet transform. Then, to determine main sub-signals, the principal components analysis was used and main sub-signals as inputs were entered into the GEP model to produce Wavelet- Gene Expression Programming (WGEP).
Results: Detection of different structures of the GEP model showed that the performance of the model was good on the daily scale, but in the monthly scale, the performance was reduced. The comparison of the WGEP model with The GEP model showed that the performance of the hybrid model in both of the daily and monthly scale was better than the simple model. It’s because of a pre-process which was done on data. The results of the hybrid model, based on the coefficient determination, was increased by 4% on the daily scale, and by 23% in the monthly scale. Also, regarding too many sub-signals, using the Principal Components Analysis increased the speed of running.
Conclusion: Using pre-process of data has increased the performance of the model and using the PCA, as an auxiliary tool for the wavelet transform, increased the speed and accuracy of the model. Totally, the results showed that it’s possible to use the GEP model with the wavelet transform as a suitable tool for modeling and predicting the flow of Gamasiyab River.
