ارزيابي مدل شبكه عصبي توسعه يافته با فيلتر كالمن و برنامه‌ريزي بيان ژن در مدل‌سازي بارش

Evaluation of Extended Kalman Filter-based Neural Network (EKFNN) model and Gene Expression Planning in Rainfall-Runoff Modelin

شبيه‌سازي فرآيند بارش -رواناب به عنوان مهمترين گام در مطالعات مهندسي آب و مديريت منابع آب است. برنامه‌ريزي بهره‌برداري از منابع آبهاي سطحي و زيرزميني، ساماندهي رودخانه‌ها و هشدار سيل نياز به پيش‌بيني آبدهي رودخانه و رواناب حوزه آبخيز دارد. در مطالعه حاضر به منظور مدل‌سازي بارش- رواناب از روش شبكه عصبي توسعه يافته با فيلتر كالمن (EKFNN) استفاده شد و سپس نتايج با روش برنامه‌ريزي بيان ژن (GEP) كه در اكثر مطالعات اخير عملكرد خوبي از خود در مدل‌سازي بارش- رواناب نشان داده بود، مقايسه گرديد. داده‌هاي مورد استفاده در اين مطالعه بارش و رواناب روزانه ايستگاه‌هاي باران‌سنجي و آب‌سنجي دشت ملاير كه شامل ايستگاه‌هاي پيهان، مرويل و ناميله است در طول دوره آماري 1380 تا 1392 مي‌باشد. نتايج نشانگر برتري مدل EKFNNنسبت به مدل‌ ديگر در مدل‌سازي جريان روزانه رودخانه در دشت ملاير داشت. علاوه بر اين سرعت اجراي مدل برنامه‌ريزي بيان ژن بيشتر بود و در زمان كوتاهي قادر به ارائه نتايج بود. در نهايت مدل EKFNN به عنوان مدل برتر براي دشت ملاير انتخاب شد.

Simulation of the rainfall-runoff process is the most important step in water engineering and water resource management studies. Exploitation of surface water and underground water resources, river management and flood warning requires prediction of river and runoff discharges of the watershed. In this study, Extended Kalman Filter-based Neural Network (EKFNN) method was used for rainfall-runoff modelling. Then, the results were compared with the Gene Expression Planning method, which showed good performance in rainfall-runoff modelling in most recent studies. The data used in this study is related to daily runoff and rainfall of the rain gauge and hydrometric stations of Malayer plain which includes Peyhan, Marvil and Namyleh stations, during the period of 2001 to 2013. The results indicated that the EKFNN model was superior to GEP model in daily river flow modelling in Malayer plain. In addition, the speed of implementation of the Gene Expression Planning model was greater and was able to present results in a short time. Finally, EKFNN model was selected as the superior model for Malayer plain.