آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,498 |
| تعداد مقالات | 18,271 |
| تعداد مشاهده مقاله | 59,323,059 |
| تعداد دریافت فایل اصل مقاله | 20,729,251 |
پیشبینی جریان رودخانه با استفاده از برنامهریزی ژنتیک (مطالعه موردی: حوضه آبریز رودخانه لیقوان) | ||
| دانش آب و خاک | ||
| مقاله 9، دوره 19، بهار و تابستان، تیر 1388، صفحه 107-123 اصل مقاله (525.35 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| نیما فربودنام1؛ محمدعلی قربانی* 2؛ محمد تقی اعلمی3 | ||
| 1دانشگاه آزاد اسلامی واحد مهاباد | ||
| 2دانشکده کشاورزی دانشگاه تبریز | ||
| 3دانشکده عمران دانشگاه تبریز | ||
| چکیده | ||
| روشهای متعددی همچون مدل سریهای زمانی، شبکههای عصبی مصنوعی، منطق فازی، نرو فازی و برنامهریزی ژنتیک برای پیشبینی جریان رودخانه به کار میرود. در تحقیق حاضر از روش نوین برنامهریزی ژنتیک جهت پیشبینی جریان روزانه رودخانه لیقوان در حوضه آبریز دریاچه ارومیه در دوره آماری 1376 تا 1380 استفاده شد. همچنین نقش حافظه در کاهش یا افزایش دقت پیش بینی مورد بررسی قرار گرفت. جهت مدلسازی جریان رودخانه با برنامهریزی ژنتیک از حافظههای دبی یک روز قبل، دو روز قبل، .... و پنج روز قبل استفاده شد و نتایج بر اساس شاخصهای آماری جذر میانگین مربعات خطا و ضریب همبستگی مورد بررسی قرار گرفت. نتایج تا حافظه دبی چهار روز قبل، رو به بهبود بوده و بعد از آن رو به نزول گذاشت. جهت بررسی بیشتر این فرایند از مدل شبکههای عصبی مصنوعی نیز استفاده گردید. برای مدل شبکههای عصبی، ساختارهای مختلفی مورد بررسی قرار گرفت که ساختار با چهار نرون در لایه ورودی و شش نرون در لایه پنهان و یک نرون در لایه خروجی، بهترین نتایج را داد. برای مدل شبکههای عصبی مصنوعی نیز حافظه تا دبی چهار روز قبل رو به بهبود بوده و بعد از آن رو به نزول میگذارد. در مقایسه نتایج دو مدل، در مورد حالت بهینه مدل برنامهریزی ژنتیک، ضریب همبستگی و جذر میانگین مربعات خطا برای آموزش به ترتیب 959/. و 029/0 و برای حالت بهینه مدل شبکههای عصبی مصنوعی به ترتیب 948/. و 215/. میباشد. لذا برنامهریزی ژنتیک از دقت بیشتری نسبت به مدل شبکههای عصبی مصنوعی برخوردار بوده و به عنوان روشی مناسب و دقیق جهت پیشبینی پیشنهاد میگردد. | ||
| کلیدواژهها | ||
| برنامهریزی ژنتیک؛ پیش بینی؛ جریان رودخانه؛ شبکههای عصبی مصنوعی؛ لیقوان | ||
| مراجع | ||
|
Abrahart RJ and See L, 2000. Neural network vs ARMA modeling : Constructing benchmark case study of river flow prediction, Pp. 1021-1028. 3rd International Conference on Hydroinformatics. Copenhagen, Denmark.
Alvisi S, Mascellani G, Franchini M and Bardossy A, 2005. Water level forecasting through fuzzy logic and artificial neural network approaches. J Hydrol Earth Syst Sci 2: 1107-1145.
Aytek A, Asce M and Alp M, 2008. An application of artificial intelligence for rainfall runoff modeling. J Hydrol Earth Syst Sci 117(2): 145-155.
Aytek A and Kisi O, 2008. A genetic programming approach to suspended sediment modeling. J Hydrol Eng 351: 288-298.
Baareh AKM, Sheta AF and Khnaifes KA, 2006. Forecasting river flow in the USA : A comparison between auto- regression and neural network non-parametric models. J Comput Sci 2(10): 775-780.
Borelli A, DeFalco I, Della CA, Nicodemi M and Trautteur G, 2006. Performance of genetic programming to extract the trend in noisy data series. Physica A 370: 104-108.
Dogan E, Isik S, Toluk T and Sandalci M, 2007. Daily streamflow forecasting using artificial neural networks. Pp. 448-459. InternationalCongressRiver Flood Management. Ankara, Turkey.
Firat M, 2007. Artificial intelligence techniques for river flow forecasting in the Seyhan river catchment, Turkey. J Hydrol Earth Syst Sci 4: 1369-1406.
Kisi O, 2004. River flow modeling using artificial neural networks. J Hydrol Eng 9(1): 60-63.
Kisi O, 2005. Daily river flow forecasting using artificial neural networks and auto-regressive models. J Eng Env Sci 29: 9-20.
Khu ST, Liong SY, Babovic V, Madsen H and Muttil N, 2001. Genetic programming and its application in real- time runoff forming. J Am Water Res Assoc 37(2): 439-451.
Koza J, 1992. Genetic programming on the programming of computers by natural selection. MIT Press, Cambridge, MA.
Liong SY, Gautam TR, Khu ST, Babovic V, Keijzer M and Muttil N, 2002. Genetic programming: A new paradigm in rainfall runoff modeling. J Am Water Res Assoc 38(3): 705-718.
Ustoorikar K and Deo MC, 2008. Filling up gaps in wave data with genetic programming. J Marine Struct 21: 177-195. | ||
|
آمار تعداد مشاهده مقاله: 2,832 تعداد دریافت فایل اصل مقاله: 1,395 |
||