ارزيابي مدل برنامه ريزي بيان ژن براي برآورد بار رسوب معلق بر اساس پيش پردازش داده ها با روش آزمون گاما (مطالعه موردي: حوزه آبخيز رود زرد)

Evaluation of Genetic Expression Programming model for Suspended Sediment Load estimation based on data preprocessing using Gamma Test method (Case study: Rood Zard watershed)

در اين پژوهش، داده‌هاي ايستگاه هيدرومتري ماشين در حوزه آبخيز رود زرد، با طول دوره آماري 36 سال (1356-1391) مورد استفاده قرار گرفت. متغيرهاي ورودي به مدل GEP شامل دبي لحظه‌اي (Q)، متوسط دبي روزانه (Qi) و متوسط بارندگي روزانه (Pi) به همراه سه گام تأخير زماني و متغير خروجي به مدل شامل بار رسوب معلق روزانه مي-باشد. براي كاهش در وقت و هزينه، پيش‌پردازش داده‌هاي ورودي به مدل GEP با استفاده از روش آزمون گاما به‌دست آمد و به‌همراه تركيبات بدون پيش‌پردازش (آزمون و خطا) وارد مدل GEP شد. نتايج مقايسه بين تمامي مدل‌ها نشان داد كه برترين تركيب متغير ورودي حاصل از آزمون گاما، با كمترين مقدار آماره‌‌ي خطاي استاندارد برابر صفر، آماره‌ي گاما برابر 000092/0 و آماره‌ي Vratio برابر 012/0 و با تركيب متغيرهاي متوسط دبي روزانه به همراه دو گام تأخير زماني و متوسط بارندگي روزانه به همراه سه گام تأخير زماني، دقيق‌ترين و صحيح‌ترين برآورد را براي بار رسوب معلق داشت. اين مدل داراي كمترين مقدار ton/day)) 90/1671RMSE= و ton/day)) 68/475MAE= و بيشترين مقدار 99/0R2= و 99/0NSE= در مقايسه با ساير مدل‌ها بود. بنابراين، استفاده از روش آزمون گاما به‌عنوان يك روش پيش‌پردازش داده‌ها توانست با انتخاب تركيباتي از متغيرهاي ورودي مناسب به مدل‌ها، به‌طور ميانگين تا 40 درصد مقدار خطاي برآورد (RMSE) بار رسوب معلق روزانه را در مقايسه با تركيبات ورودي حاصل از آزمون و خطا كاهش دهد و با افزايش تشابه بين مقادير داده-هاي مشاهداتي با داده‌هاي محاسباتي، عملكرد مدل GEP در برآورد بار رسوب معلق را افزايش دهد

In this research, the data of the machine hydrometric station was used in the Rood Zard watershed with a statistical period of 36 years (1977-2012). In order to reduce time and cost, pre-processing of input data into the GEP model was obtained using gamma test method and entered the GEP model along with non-preprocessing combinations of the test and error method. The results of comparison between all models showed that the best combination of input variable from gamma test with the lowest standard error is zero, gamma statistic is 0.000092 and Vratio statistic is 0.012 and the combination of variables including average daily flow discharge with two steps of time delay and average daily precipitation with three steps of time delay, had the most accurate and correct estimate for suspended sediment load. This model had the lowest value of RMSE=1671.90 (ton/day) and MAE=475.68 (ton/day) and the highest value of R2=0.99 and NSE=0.99 compared to other models. Therefore, the use of gamma test method as a data preprocessing method, by selecting combinations of appropriate input variables to models, an average of up to 40% of the estimated error (RMSE) of daily suspended sediment load compared to the inputs from the test and reduce the error and increase the performance of the GEP model in estimating the suspended sediment load by increasing the similarity between the values of observational data with computational data.