geography tabiee - autumn 1395 - دانشگاه تهران · 1395 ﺰﻴﻳﺎﭘ ، 3...

1395، پاييز 3شماره ، 48دورة هاي جغرافياي طبيعي، پژوهش 367-383 ص.

و شبكة عصبي ريزي ژنتيك رودخانه با استفاده از برنامه ةسازي جريان روزان مدل آبخيز معرّف امامه) ضةموردي: حو ة(مطالع

ريزي مديريت و آموزش محيط زيست، دانشكدة محيط زيست، دانشگاه تهران، كرج برنامه استاد گروه ـ گر احمد نوحه بندرعباس دانشگاه هرمزگان، گروه كشاورزي و منابع طبيعي، دانشجوي دكتري علوم و مهندسي آبخيزداري،ـ محبوبه معتمدنيا

، كرجمنابع طبيعي، دانشگاه تهران ة، دانشكداحياي مناطق خشك و كوهستاني گروه دانشيار ـ آرش ملكيان

8/4/1395تأييد نهايي: 19/1/1395 پذيرش مقاله:

چكيدهتـرين از مهـم هاي زياد يكـي عدم قطعيتسازي آن به دليل رواناب پيچيده و غيرخطي است و مدل -فرايند بارش

هـاي هـاي مـورد اسـتفاده، مـدل بـين روش از رود. شمار مي بهمنابع آب هاي پژوهشگران در حيطة مسائل دغدغههـاي سازي جريان رودخانه از روش بنابراين، به منظور مدل. ندثرؤمفيد و مفرايندهايي بيني چنين در پيشهوشمند

شـمار هاي تكاملي به ـ كه جزو الگوريتم ريزي ژنتيك به منزلة روشي صريح شبكة عصبي مصنوعي و همچنين برنامهساله) اسـتفاده شـد. 42( 1391 - 1390تا 1350 - 1349و در دورة آماري ف امامه حوضة آبخيز معرّـ در رود مي

فاده شد. نتايج است پيشنهادي مدل 62 در قالبر مقياس روزانه و سنجي د هواشناسي و آبهاي از دادهبدين منظور، ها نيز وقتـي كـه فقـط از هاي فراوان، خطاي كمتري داشت. خطاي مدل ريزي ژنتيكي، از ميان مدل نشان داد برنامه

مراتب كمتر بود. سرانجام، بـا توجـه بـه معيارهـاي ارزيـابي مـورد عملگرهاي اصلي رياضي و توان استفاده شد به ، رطوبـت ، و تأخيرهاي باران تا دو روزدما، باران )54هاي (مدل ورودي با استفاده در اين تحقيق، ساختار پيشنهادي

ةدر مرحل 009/0و ، 031/0، 001/0به عنوان بهترين مدل با خطاي روز دونسبي و تبخير و تعرق و تأخير جريان تا دست آمد. به آزمايش ةدر مرحل 009/0 و ،032/0، 001/0و آموزش

شبكة عصبي پرسپترون چنداليه، حوضة آبخيز معرّف امامه. ريزي ژنتيك، برنامهرواناب، -بارش ها: كليدواژه مقدمه

و ،ريـزي، مـديريت از نظر برنامـه اين موضوع است؛ مهندسي منابع آب مهمِ لِئرودخانه يكي از مسا دبيبيني ميزان پيشـ منابع آبي محدود با ،كشوري مثل ايران در ويژه به محيطي زيست و اقتصادي ةدر راستاي توسع ـ گذاري منابع آبي سياست

،و هيـدرولوژيكي ،هاي آماري، هيـدروليكي مدلرغم سابقة طوالني به. )2012 و همكاران، هيو( دارداهميت بسيار زيادي و زيادهاي به داده نيازاز قبيل دارند، هاي بسيار زيادي ضعف ،ترغم نقاط قو به ،ها ن است كه اين مدلآتجارب حاكي از

؛ بـدين گيـر و واسنجي وقـت از قبيل هندسة رودخانه، و پارامترهاي مختلف هواشناسي ، پارامترهاي گوناگون مدت طوالنيهـاي روشتوجـه بـه ،هاي اخير در سال بنابراين،). 2002و همكاران، هارونه است (شدتوجه متركها به اين مدل سبب

ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــE- mail: [email protected] * :09134501797نويسندة مسئول

368 1395، پاييز 3، شماره 48دورة ، طبيعيهاي جغرافياي پژوهش

هـاي مـدل ميـان هـاي موجـود در يكي از روش، افزايش يافته است. ها هوش مصنوعي، به سبب دقت و سرعت زياد آنغيرخطي ةرياضي قادر به شناسايي و تشخيص روابط پيچيد يبا ساختار اين مدل است؛عصبي مصنوعي ةشبك 1هوشمند

ضمني متكي بر ياز الگوها ،هاي اخير اي در دهه . با گسترش روزافزون كاربرد الگوهاي رايانهاستبين ورودي و خروجي و شـود مـي بينـي پارامترهـاي مختلـف منـابع آب اسـتفاده هاي عصبي مصنوعي به طور گسترده در مطالعات پيش شبكه

هـاي مـورد ركاربردترين روش. يكي از پكنند ميكيد أاين روش در مقايسه با الگوهاي سري زماني ت زيادمحققان بر دقت كـه بـه حـل معـادالت ،رياضي ةدر بسياري از مسائل پيچيداز اين روش ت؛اسعصبي پرسپترون چنداليه ةاستفاده شبكاليـه بـا شبكة عصبي پرسپترون سـه . معموالً)2001، باي داوسون و ويل(شود ميسادگي استفاده به ،انجامد غيرخطي مي

هيـدرولوژي و ةدر زمين ؛ اين شبكه همچنينقادر است هر نوع فضايي را تفكيك كند 2انتشار خطا استفاده از الگوريتم پسپرامانيـك ؛2008و همكاران، تائو؛ 2006، سينيوانسوال و جين؛ 2001، باي داوسون و ويلمنابع آبي بسيار كاربردي است (

مـنش و همكـاران، ؛ قرآيـي 2013 ،مهـر و همكـاران ؛ داننـده 2012؛ هيو و همكـاران، 2010؛ چيانگ و يه، 2009 و پاندا،هاي هـوش در ميان روش نوين يروشاست؛ 3ريزي ژنتيك برنامههاي مورد بررسي گر از روشاز طرفي، يكي دي. )2016

هـاي گونـاگون كاربردهـاي هـا و خروجـي توسـعه يافتـه و در زمينـه مدل صريح بين ورودي ئةبه دليل ارا مصنوعي كه، بـراي 1992ژنتيك است؛ كوزا، در سـال يافتة الگوريتم ريزي ژنتيك تعميم در حقيقت، برنامه .آميزي داشته است موفقيت

شود و مبناي آن بر اسـاس نظريـة تكـاملي اي از الگوريتم گردشي تلقي مي نخستين بار، آن را ارائه كرد. اين روش شاخه؛ مسـعودي و همكـاران، 1389؛ سـلطاني و همكـاران، 2008و همكـاران ؛ آيتـك 1992داروين استوار شده است (كـوزا،

هـاي حوضـه در روانـاب -بـارش به الگوسازي ژنتيك ريزي برنامه روش از استفاده ) با2003همكاران ( ). دورادو و1391

بردگـان نشـان داد ارزيابي كردنـد. تحقيقـات نـام مصنوعي شبكة عصبي روش با آمده را دست و نتايج به شهري پرداختندرواناب -سازي بارش ) به منظور مدل2005كاران (ريزي ژنتيك نسبت به شبكة عصبي برتري دارد. جاياواردنا و هم برنامهها نشان داد ايـن روش ريزي ژنتيك استفاده كردند. نتايج آن هاي روزانه در دو حوضة آبخيز در چين از روش برنامه از داده

ي سـاز ) بـه مـدل 2008و همكـاران ( سازي كند. آيتـك تواند ميزان رواناب خروجي در اين دو حوضه را مدل خوبي مي بههـاي شـبكة عصـبي و مريكـا در مقيـاس روزانـه بـا اسـتفاده از روش ادر ايالت پنسـيلوانياي اي رواناب رودخانه -بارشريزي ژنتيـك نسـبت بـه روش شـبكة برتري برنامه ةدهند داري نشان ند. نتايج به طور معنيكردريزي ژنتيك اقدام برنامه

يـزي ر برنامـه روش از متحده اياالت اي در رودخانه روزانه در جريان دبي بيني ) به منظور پيش2009( گوين .استعصبي

اين تحقيق از متغير دبي رودخانه از يـك تـا جرايبه منظور ا گويند. كرشبكة عصبي استفاده هاي خطي و روش ژنتيك روش دو هـر ،نتـايج بر اساس استفاده كرد. آزمايش آموزش وبراي داده 730و 1824از چهار تأخير و در مقياس روزانه

برخـوردار شبكة عصبي هاي روش به نسبت بسياري دقت از خطي ژنتيك ريزي برنامه روش اما داشتند، قبولي قابل نتايج

هاي گوناگوني استفاده كردند. بيني جريان رودخانه در مقياس ماهانه از روش ) به منظور پيش2009. وانگ و همكاران (بودريـزي ژنتيكـي، و بـردار فازي تطبيقـي، برنامـه -هاي مورد استفاده شبكة عصبي از بين مدلبر اساس نتايج اين تحقيق،

ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ1. artificial intelligence (AI) 2. error back propagation (EBP) 3. genetic programming (GP)

... و شبكة عصبي ريزي ژنتيك رودخانه با استفاده از برنامه ةسازي جريان روزان مدل

369

همكـاران و شبكة عصبي مصنوعي عملكـرد بهتـر و بيشـتري داشـت. قربـاني ميانگين متحرك ةخودهمبستپشتيبان از ـ سـيالب بيرونديا در را و نروفازي ،مصنوعي شبكة عصبي ژنتيك، ريزي برنامه روش سه ) عملكرد2010( قـزل ةرودخان

دقـت بـا ژنتيـك ريـزي برنامه مدلذكرشده روش سه نايم از داد نشان ها آن ةمطالع نتايج .دندكر ارزيابي تركيه ايرماق

در )2013و همكـاران ( مهـر . دانندهبرخوردار استيشتري و از قابليت بكند ميسازي شبيه خروجي را هيدروگراف بيشترياي در كشـور تركيـه ريزي ژنتيكي در رودخانه هاي مختلف شبكة عصبي و برنامه از روشبيني جريان رودخانه پيشزمينة

ريزي ژنتيك، شبكة عصبي موجكي، و شبكة عصبي پرسـپترون ترتيب برنامه هاي ذكرشده به استفاده كردند. از ميان روشبيني جريـان رودخانـه در مقيـاس ماهانـه از ه منظور پيش) ب2014و همكاران ( مهر اليه عملكرد خوبي داشتند. داننده سه

ةدهنـد . نتـايج نشـان استفاده كردنـد ريزي ژنتيك در دو ايستگاه در كشور تركيه عصبي مختلف و برنامه هاي شبكه روش)، بـه منظـور 2016مهجـوري ( و حسـيني اسـت. شدههاي ذكر به ديگر روش بتريزي ژنتيك نس برتري و كارايي برنامه

هاي هوشمند در استان قم استفاده كردند. نتايج نشان داد از ميـان هاي مختلف سامانه رواناب، از روش -سازي بارش مدلهاي ذكرشده مدل تركيبي رگرسيون بردار پشـتيبان و شـبكة عصـبي ژئومرفولـوژيكي عملكـرد بهتـري نسـبت بـه مدلتوانند ابزاري بسـيار مناسـب بـا رواناب مي -ازي بارشس هاي مبتني بر شبكة عصبي مصنوعي دارند و در زمينة مدل مدل

روانـاب -بارش ةمطالعدربارة پژوهشگرانيتوان به تحقيقات در ايران نيز مي ،همچنيننتايج منطقي و قابل اعتماد باشند. انـد كـرده ؛ همگي اين پژوهشگران اذعـان )1389سلطاني و همكاران ( و )1388از جمله فربودنام و همكاران (اشاره كرد؛

با توجـه بـه اين روش داراي دقت بيشتري است و قادر است تا حد زيادي رابطة بارش و رواناب را تخمين بزند. بنابراين، جريـان بينـي پيش ريزي ژنتيك براي از دو روش شبكة عصبي مصنوعي و برنامهسعي شد ،در اين تحقيقموارد ذكرشده

و (بـه عنـوان نماينـده موقعيت جغرافيايي ةامامه واقع در استان تهران به واسطحوضة آبخيز معرّف سازي و مدلرودخانه .شودسال) استفاده 42مدت ( طوالنيهاي و داده )كوه البرز مناطق جنوبي رشته معرّف

ها مواد و روش

مورد مطالعه منطقة o35 51′00″هاي جغرافيايي بين عرض متر در ميلي 60/756ة آبخيز معرّف امامه در استان تهران با متوسط بارندگي ضحوحوضـة آبخيـز بـا اين شرقي واقع شده است. o51 39′00″تا o51 32′00″هاي جغرافيايي شمالي و طول o35 57′00″تا

و گيرد ميالر سرچشمه ةاز ارتفاعات جنوبي در و استجاجرود ةهاي رودخان مربع يكي از سرشاخه ومترلكي 2/37مساحت كنـد و پـس از عبـور از روسـتاهاي امامـه و كلوكـان در ه عبور مـي ضرقي به جنوب غربي از ميان حودر جهت شمال ش

ـ ةسنجي كمرخاني) به شاخ دست روستاي كلوكان (پس از عبور از ايستگاه آب پايين پيونـدد. جـاجرود مـي ةاصـلي رودخانايـن جرايبه منظور ا است.متر 1830متر و كمترين آن در محل خروجي 3850در بخش شمالي ضهبيشترين ارتفاع حو

ها به دليل موقعيت ايستگاه ضهسنجي كمرخاني در خروجي حو هاي ايستگاه هواشناسي امامه و ايستگاه آب از داده ،تحقيقموقعيـت نمايي از حوضة آبخيز امامه و 1 شكل. )1392(شريفي و همكاران، هاي كامل استفاده شد و همچنين وجود داده

.دهد را نشان ميسنجي آن هاي هواشناسي و آب ايستگاه

1395

ـس از ـود بـا

) Q از (ـانگين

.شدده كـاران، دسـته ـي بـا

62ام، گونـه انه بـه ؛ 2005

ل) و از ن دبـي بـراي ــــــ1. train2. testi

، پاييز3، شماره

ن

پـ شـد. سـتفاده ه دادة ناقصي بـريـان رودخانـه

هـاي ميـ )، دادههاي قبل استفاد

و همك سـودهر (هـا بـه سـه دل

رهـاي هواشناسـسـرانجا .تنهايي

هـر جـراي از ا حساسـيت سـاما

5، ي و باتاچاريـا سال 34( 1وزشي

بـراي تخمـين MATLAB و

ــــــــــــــــnning ing

،48دورة ، طبيعي

سنجي آن سي و آب

اسف امامـه معـرّ جرا شد و چنانچه

بينـي جر ي پيش)Tدما ( ةن روزانهاي روزه ن دبي

(شد قاطع اقدام مـدطور كلي، ه مترراتركيـب پا

ت شان به ي زمانيپـيشها دادهن، حكـاهش و هـا

سـارانگيرفتنـد ( هاي آمو وان داده

شـد. اسـتفاده ) 2012افـزار ـرم

ـــــــــــــــ

طهاي جغرافياي ش

هاي هواشناس گاه

حوضـة آبخيـز اج و درستي ،يت

براي .صالح شدهاي ميانگين داده

RH(، و همچنينه همبستگي متق

به. )2012اران،.2 ؛تنهـايي بـه

مراه با تأخيرهايهمچنين . است

ه شدن ارزش دادهقـرار گر يـك ـابه عنو 1383 ـسال) هشت( 2ي

مصـنوعي بـا نــــــــــــــــ

پژوهش

رّف امامه و ايستگ

و هواشناسـي حبودن، كفاي مرتبط

اصها بين ايستگاه)، دPگي روزانه (

Hرطوبت نسبي (

به ،رهاي وروديو همكاهيو ؛ 20

با تأخير زمـاني

سنجي هم ي آبدرج شده 1ول

ش دست ظور يكتـ صفر ةمحدود1382 تا 1350

هاي اعتبارسنجيشـبكة عصـبي مـــــــــــــــ

معر ضةت حويوقع

سـنجي هاي آبمها از قبيل داده

به همبستگي ب ميانگين بارندگي

ر ةميانگين روزانماني الزم متغير

09و همكاران،واشناسي همراه

پارامترهاي. 3؛ نكه در جد ه شدافزار به منظ ه نرمو در مشدند مال0ـ 1349بي ي آ

ه به عنوان دادهي با استفاده از شـــــــــــــــ

نمايي از مو .1كل

ه داده ، ازتحقيقپردازش د ، پيشو با توجه ستگي

هاي ز قبيل دادهET(، هاي م داده

جاد تأخيرهاي زمو وو؛ 2006، ين

ب پارامترهاي هوشان يرهاي زماني

در نظر گرفتهشفرض ورود به ش

نرم 1 ةه از رابطهاي از سالجام،

1391ـ 1390 سازي فرايند مدل

ـــــــــــــــ

شك

ت جراي منظور اها، ي بانك داده

ضريب همبس ازهواشناسي از ي

Tبخير و تعرق (

ايج ر اين، برايسينيواسوال و جي

تركيب. 1شدند: جي همراه با تأخي

پژوهشبراي اين و به عنوان پيش

ها با استفاده دادهسرانج). 2009، ي

تا 1384ـ 138ف ،حوضة امامه

ــــــــــــــــ

370

به

آوري جمعستفادها

متغيرهايتب ةروزان

عالوه برس؛ 2002

تقسيم شسنجي آب

ساختار بعملياتبزرگي دسليماني

83 سالةرودخانـــــــ


371

يـك شـبكة عصـبي ،ذكـر شـد تـر پيشطور كه استفاده شد. همان GeneXprotools 5افزار ريزي ژنتيك از نرم برنامهورودي و خروجـي برابـر بـا تعـداد ةو خروجي تشكيل شده است. تعداد نرون در الي ،ورودي، پنهان ةپرسپترون از سه الي

پنهان به صورت سعي و خطاست. در اين تحقيق از تـابع محـرك ةتعداد اليه و نرون در الي ،ورودي و خروجي است. اماخروجي، تعـداد تكـرار شـبكة ةها و از تابع محرك خطي براي الي پنهان به دليل تغييرات شديد داده ةسيگموئيد براي الي

پنهان به صورت سـعي ةهاي الي اليه، تعداد نرون و سه تا ،كاررفته يك، دو پنهان به ةعصبي برابر با هزار تكرار، تعداد اليمتـداول و ةانتشار خطا بوده) به دليـل اسـتفاد و از الگوريتم آموزشي لونبرگ ماركوارت (كه يك نوع الگوريتم پس ،و خطا

هـا هـا بـا توجـه بـه حـداقل خطا هزاران مدل، بهترين مـدل مياناز ؛آن در مطالعات هيدرولوژي استفاده شد زيادكارايي ريـزي ژنتيـك بـدين سـازي در برنامـه فرايند اجراي مـدل ،شده است. همچنيندرج نتايج آن 2شدند؛ در جدول انتخاب گـام دوم، انتخـاب .تابع برازش انتخـاب شـد RMSE در اين مطالعه :است: گام اول، انتخاب تابع برازش مناسب صورت

هـا در ايـن تحقيـق مجموعـة پايانـه :هـا منظور توليد كروموزوم ها (متغيرهاي ورودي) و مجموعه توابع به مجموعة پايانههاي ورودي از قبيل تأخيرهاي زماني باران، دما، تبخير و تعرق، رطوبـت نسـبي، و همچنـين تـأخير از دادهاست متشكل

امتحـان و جريان در روزهاي قبل. انتخاب مجموع توابع نيز اگرچه امري صريح و ساده نيست، حدس اوليه و چندين بـار شـامل عملگرهـاي رياضـي :از دو نوع عملگر رياضياستفاده گام سوم، .تواند در اين زمينه سودمند باشد سعي و خطا مي

، lin، *، /، -، *، / } و همچنين از يازده نوع عملگر يعني عملگرهاي رياضي اصلي و همچنـين {+، -اصلي شامل {+، log ،sin ،cos ،tang ،cotg ،^ كننده براي ايجاد پيوند ميـان از تابع جمع :گام چهارم، انتخاب تابع پيوندي .شد} استفاده

درج شده است. 3ها در جدول هاست؛ مقادير آن ها استفاده شد. در آخر عملگرهاي ژنتيك و ميزان هر يك از آن زيرشاخهشامل ميانگين مربعـات خطـا 4تا 2 ايه ابطهبيني از ر هاي پيش ارزيابي مدلسرانجام، براي شده، محاسبات انجاماز پس

)MSE) مجذور ميانگين مربعات خطا ،(RMSE ،( و) ميانگين مطلق خطاMAEيكديگر مقايسه شد ) استفاده و نتايج با.

يـر اي متغ همقـدار مشـاهد Q0 ،كمينه ةداد Xmin ،مورد نظر ةداد Xiبيشينه، ةداد Xmaxشده، نرمال ةداد XNها كه در آن

داده است.كل تعداد Nو ،مقدار تخميني متغير وابسته (دبي تخميني) Qeوابسته (دبي)،

1رابطة minmax

max

XX

XiXXN

2رابطة

MSE =

2

1N

N

iQeQO

3رابطة

RMSE = N

eN

iQQo

1

2)(

4رابطة

N

i

QeQoN

MAE1

1


هاي پژوهش يافتهترتيـب بـه را هـا نتايج مدل 2و جدول هاي پيشنهادي ساختار و مدل 1با توجه به موارد ذكرشده در بخش پيشين، جدول

دهد. نشان مي هاي نهايي حوضة آبخيز معرّف امامه در استان تهران مدل .1جدول

يخروج يورود شمارة مدل1 Pt Qt 2 ETt Qt 3 RHt Qt 4 Tt Qt 5 Qt-1 Qt 6 Pt, Pt-1 Qt 7 Pt, Qt-1 Qt 8 ETt, Qt-1 Qt 9 RHt, Qt-1 Qt 10 Tt,Qt-1 Qt 11 Qt-1, Qt-2 Qt 12 Pt, Pt-1, Pt-2 Qt 13 Pt, Pt-1, Qt-1 Qt 14 Pt, Qt-1, Qt-2 Qt 15 ETt, Qt-1, Qt-2 Qt 16 RHt, Qt-1, Qt-2 Qt 17 Tt,Qt-1, Qt-2 Qt 18 Qt-1, Qt-2, Qt-3 Qt 19 Pt, Pt-1, Pt-2, Qt-1 Qt 20 Pt, Pt-1, Qt-1, Qt-2 Qt 21 Pt, Qt-1, Qt-2, Qt-3 Qt 22 ETt, Qt-1, Qt-2, Qt-3 Qt 23 RHt, Qt-1, Qt-2, Qt-3 Qt 24 Tt,Qt-1, Qt-2, Qt-3 Qt 25 Pt, Tt, ETt, RHt Qt 26 Qt-1, Qt-2, Qt-3, Qt-4 Qt 27 Pt, Pt-1, Pt-2, Qt-1, Qt-2 Qt 28 Pt, Pt-1, Qt-1, Qt-2, Qt-3 Qt 29 Pt, Qt-1, Qt-2, Qt-3, Qt-4 Qt 30 ETt, Qt-1, Qt-2, Qt-3,Qt-4 Qt 31 RHt, Qt-1, Qt-2, Qt-3,Qt-4 Qt


373

هاي نهايي حوضة آبخيز معرّف امامه در استان تهران مدل .1جدول ادامه

يخروج يورود شمارة مدل32 Tt,Qt-1, Qt-2, Qt-3,Qt-4 Qt 33 Pt, Tt, ETt, RHt, Qt-1 Qt 34 Qt-1, Qt-2, Qt-3, Qt-4, Qt-5 Qt 35 Pt , Pt-1, Pt-2, Qt-1, Qt-2, Qt-3 Qt 36 Pt, Pt-1, Qt-1, Qt-2, Qt-3, Qt-4 Qt 37 Pt, Qt-1, Qt-2, Qt-3, Qt-4, Qt-5 Qt 38 ETt, Qt-1, Qt-2, Qt-3,Qt-4, Qt-5 Qt 39 RHt, Qt-1, Qt-2, Qt-3,Qt-4, Qt-5 Qt 40 Tt,Qt-1, Qt-2, Qt-3,Qt-4, Qt-5 Qt 41 Pt, Pt-1, Pt-2, Tt, ETt, RHt Qt 42 Pt, Tt, ETt, RHt, Qt-1, Qt-2 Qt 43 Qt-1, Qt-2, Qt-3, Qt-4, Qt-5, Qt-6 Qt 44 Pt, Pt-1, Pt-2, Qt-1, Qt-2, Qt-3,Qt-4 Qt 45 Pt, Pt-1, Qt-1, Qt-2, Qt-3,Qt-4,Qt-5 Qt 46 Pt, Qt-1, Qt-2, Qt-3, Qt-4, Qt-5, Qt-6 Qt 47 ETt, Qt-1, Qt-2, Qt-3,Qt-4, Qt-5,Qt-6 Qt 48 RHt, Qt-1, Qt-2, Qt-3,Qt-4, Qt-5,Qt-6 Qt 49 Tt,Qt-1, Qt-2, Qt-3,Qt-4, Qt-5,Qt-6 Qt 50 Pt, Pt-1, Pt-2, Tt, ETt, RHt, Qt-1 Qt 51 Pt, Tt, ETt, RHt, Qt-1, Qt-2, Qt-3 Qt 52 Pt, Pt-1, Pt-2, Qt-1, Qt-2, Qt-3,Qt-4,Qt-5 Qt 53 Pt, Pt-1, Qt-1, Qt-2, Qt-3,Qt-4,Qt-5, Qt-6 Qt 54 Pt, Pt-1, Pt-2, Tt, ETt, RHt, Qt-1, Qt-2 Qt 55 Pt, Tt, ETt, RHt, Qt-1, Qt-2, Qt-3, Qt-4 Qt 56 Pt, Pt-1, Pt-2, Qt-1, Qt-2, Qt-3,Qt-4,Qt-5, Qt-6 Qt 57 Pt, Pt-1, Pt-2, Tt, ETt, RHt, Qt-1, Qt-2, Qt-3 Qt 58 Pt, Tt, ETt, RHt, Qt-1, Qt-2, Qt-3, Qt-4, Qt-5 Qt 59 Pt, Pt-1, Pt-2, Tt, ETt, RHt, Qt-1, Qt-2, Qt-3, Qt-4 Qt 60 Pt, Tt, ETt, RHt, Qt-1, Qt-2, Qt-3, Qt-4, Qt-5, Qt-6 Qt 61 Pt, Pt-1, Pt-2, Tt, ETt, RHt, Qt-1, Qt-2, Qt-3, Qt-4, Qt-5 Qt 62 Pt, Pt-1, Pt-2, Tt, ETt, RHt, Qt-1, Qt-2, Qt-3, Qt-4, Qt-5, Qt-6 Qt

رطوبت يانگينم RHt و تعرق، تبخير يانگينم ETtي،بارندگ يانگينم Pt ي،خروج يدب Qtباال يها در رابطه-Pt دو روز قبل، يدب Qt-2روز قبل، يك يبارندگ يانگينم Pt-1روز قبل، يك دبيQt-1 دما، يانگينم Tt نسبي،

پنج روز قبل، و دبيQt-5 چهار روز قبل، يدب Qt-4سه روز قبل، يدب Qt-3دو روز قبل، يبارندگ يانگينم 2Qt-6 شش روز قبل است. يدب


هاي شبكة عصبي پرسپترون چنداليه در حوضة آبخيز امامه . نتايج مدل2جدول

اعتبارسنجي آموزش ساختار شبكه شمارة مدلMSERMSEMAEMSE RMSE MAE

1 1-4-1 33/0 57/0 34/0 14/0 37/0 13/0

2 1-12-6-1 34/0 58/0 37/0 15/0 39/0 14/0 3 1-9-7 -1 35/0 59/0 39/0 16/0 40/0 14/0 4 1-12-1 31/0 56/0 33/0 13/0 36/0 13/0

5 1-11-1 05/0 22/0 08/0 04/0 20/0 06/0 6 1-4-4 -2 29/0 54/0 31/0 12/0 35/0 12/0

7 1-11-2 04/0 21/0 06/0 03/0 18/0 03/0

8 1-10-8-2 04/0 21/0 06/0 04/0 20/0 03/0 9 1-1-7 -2 04/0 21/0 06/0 04/0 20/0 03/0

10 1-4-9 -2 04/0 21/0 06/0 03/0 17/0 03/0 11 1-12-8-2 04/0 20/0 06/0 03/0 17/0 03/0 12 1-5-3 25/0 50/0 28/0 10/0 32/0 11/0

13 1-14-3 04/0 20/0 06/0 02/0 14/0 02/0 14 1-14-3 04/0 21/0 06/0 02/0 15/0 02/0 15 1-3-6 -3 04/0 21/0 06/0 02/0 15/0 02/0

16 1-1-5 -3 04/0 21/0 06/0 02/0 15/0 02/0 17 1-10-3 04/0 20/0 06/0 02/0 15/0 02/0 18 1-10-4-3 04/0 20/0 06/0 03/0 17/0 03/0

19 1-2-4 04/0 21/0 06/0 03/0 16/0 03/0 20 1-12-9-4 04/0 20/0 06/0 02/0 14/0 02/0

21 1-13-4 04/0 20/0 06/0 02/0 14/0 02/0 22 1-6-5 -4 04/0 20/0 06/0 02/0 14/0 02/0 23 1-10-7-4 04/0 20/0 06/0 02/0 14/0 02/0

24 1-3-5 -4 04/0 20/0 05/0 02/0 14/0 02/0

25 1-7-4 27/0 52/0 29/0 11/0 33/0 11/0 26 1-15-4 06/0 24/0 08/0 05/0 22/0 08/0

27 1-7-3 -5 04/0 20/0 05/0 02/0 14/0 02/0 28 1-11-10-5 04/0 20/0 06/0 02/0 14/0 02/0 29 1-9-9 -5 04/0 20/0 06/0 02/0 15/0 02/0

30 1-3-3 -5 04/0 20/0 06/0 02/0 15/0 02/0

31 1-11-7-5 04/0 20/0 06/0 02/0 15/0 02/0

32 1-12-4-5 04/0 20/0 06/0 02/0 14/0 02/0 33 1-1-4 -5 04/0 20/0 06/0 02/0 14/0 02/0


375

هاي شبكة عصبي پرسپترون چنداليه در حوضة آبخيز امامه . نتايج مدل2جدول ادامه

اعتبارسنجي آموزش ساختار شبكه شمارة مدلMSERMSEMAEMSE RMSE MAE

34 1-3-8 -5 07/0 26/0 09/0 06/0 24/0 08/0

35 1-9-6 -6 04/0 19/0 05/0 02/0 14/0 02/0 36 1-8-6 04/0 20/0 05/0 02/0 14/0 02/0 37 1-12-10-6 04/0 21/0 06/0 02/0 15/0 02/0

38 1-6-5 -6 04/0 21/0 06/0 02/0 15/0 02/0 39 1-10-7-6 04/0 21/0 06/0 02/0 15/0 02/0

40 1-2-8 -6 04/0 21/0 06/0 02/0 15/0 02/0

41 1-5-7 -6 24/0 49/0 27/0 10/0 32/0 11/0 42 1-10-10-6 04/0 19/0 05/0 02/0 14/0 02/0

43 1-1-6 -6 08/0 28/0 10/0 07/0 26/0 09/0 44 1-11-9-7 04/0 20/0 05/0 02/0 14/0 02/0 45 1-5-9 -7 04/0 20/0 05/0 02/0 14/0 02/0

46 1-10-10-7 04/0 21/0 06/0 02/0 15/0 02/0 47 1-5-9 -7 04/0 21/0 06/0 03/0 15/0 02/0 48 1-12-4-7 04/0 21/0 06/0 03/0 16/0 02/0

49 1-7-7 -7 04/0 21/0 06/0 02/0 15/0 02/0 50 1-4-4 -7 04/0 19/0 05/0 02/0 14/0 02/0 51 1-8-8 -7 03/0 19/0 05/0 02/0 14/0 02/0

52 1-16-8 04/0 20/0 05/0 02/0 14/0 02/0 53 1-12-9-8 04/0 20/0 05/0 02/0 14/0 02/0

54 1-8-9 -8 03/0 18/0 04/0 02/0 14/0 02/0 55 1-11-6-8 04/0 20/0 05/0 02/0 14/0 02/0 56 1-6-9 -9 04/0 20/0 05/0 02/0 14/0 02/0

57 1-12-9 03/0 19/0 05/0 02/0 14/0 02/0

58 1-10-9-9 04/0 20/0 05/0 02/0 14/0 02/0 59 1-2-8 -10 04/0 19/0 05/0 02/0 14/0 02/0

60 1-5-7 -10 04/0 20/0 05/0 02/0 14/0 02/0 61 1-2-9 -11 04/0 19/0 05/0 02/0 14/0 02/0 62 1-2-10-12 04/0 20/0 05/0 02/0 14/0 02/0

اول و اليـة خروجـي اسـت و عـدد دوم در سـاختار دهندة تعداد نرون در الية در جدول فوق در ستون ساختار شبكه عدد اول و آخر نشاندهندة تعداد نرون در الية پنهان است. در ضمن، وجود سه و چهـار عـدد در سـاختار تايي و عدد دوم و سوم در ساختار چهارتايي نشان سه

دهندة وجود يك و دو الية پنهان در شبكة عصبي پرسپترون است. ترتيب نشان شبكه به


حوضة آبخيز امامه MLPبه روش شبكة عصبي شده بيني پيشاي و دبي روزانة مشاهده . نمودار2شكل

(آموزش) 1383ـ 1382تا 1350ـ 1349هاي براي سال 54بر حسب ساختار

حوضة آبخيز امامه MLPبه روش شبكة عصبي شده بيني پيشاي و . نمودار دبي روزانة مشاهده3شكل

(آزمايش) 1391- 1390تا 1384- 1383هاي براي سال 54بر حسب ساختار

ريزي ژنتيك ها با استفاده از برنامه تجزيه و تحليل داده برايمقادير پارامترهاي الزم .3جدول

chromosomes( 30ها ( تعداد كروموزوم number of genes( 3ها ( تعداد ژن

جمع )linking functionها ( عملگر رياضي بين ژن mutation rate( 044/0سرعت جهش (

inversion rate( 01/0سرعت وارونگي ( one-point recombination rate( 30/0سرعت تالقي با يك نقطه ( two-point recombination rate( 30/0سرعت تالقي با دو نقطه (

gene recombination rate( 10/0سرعت تالقي ژن ( gene transposition rate( 10/0جايي ( سرعت جابه

0

24

68

10

1349

-50

1350

-51

1352

-53

1353

-54

1355

-56

1357

-58

1358

-59

1362

-63

1364

-65

1365

-66

1367

-68

1369

-70

1370

-71

1372

-73

1374

-75

1375

-76

1377

-78

1380

-81

1382

-83

زمان (سال)

يه) ثان

برعب

مكمتر

ي (دب

دبي مشاهده اي (متر مكعب بر ثانيه) دبي محاسباتي با MLP (متر مكعب بر ثانيه)

0

2

4

6

8

1383

-84

1383

-84

1384

-85

1384

-85

1385

-86

1385

-86

1386

-87

1387

-88

1387

-88

1388

-89

1388

-89

1389

-90

1390

-91

1390

-91

زمان (سال)

يه) ثان

برعب

مكمتر

ي (دب

دبي مشاهده اي (متر مكعب بر ثانيه) دبي محاسباتي با MLP (متر مكعب بر ثانيه)


377

ريزي ژنتيك در حوضة آبخيز امامه هاي برنامه نتايج مدل .4جدول

اعتبارسنجي آموزش شمارة مدلMSERMSEMAEMSE RMSE MAE

1 006/0 078/0 015/0 008/0 089/0 016/0 2 006/0 079/0 015/0 008/0 090/0 016/0 3 007/0 084/0 015/0 009/0 095/0 017/0 4 006/0 077/0 015/0 007/0 089/0 016/0 5 005/0 068/0 014/0 006/0 078/0 015/0 6 006/0 076/0 015/0 007/0 088/0 016/0 7 004/0 067/0 013/0 005/0 077/0 015/0 8 004/0 067/0 013/0 005/0 077/0 015/0 9 004/0 067/0 013/0 005/0 077/0 015/0 10 004/0 067/0 013/0 005/0 077/0 015/0 11 005/0 068/0 014/0 006/0 078/0 015/0 12 006/0 071/0 014/0 007/0 086/0 016/0 13 003/0 055/0 012/0 004/0 064/0 013/0 14 003/0 059/0 012/0 004/0 068/0 014/0 15 003/0 059/0 012/0 004/0 068/0 014/0 16 003/0 059/0 012/0 004/0 068/0 014/0 17 003/0 059/0 012/0 004/0 068/0 014/0 18 005/0 068/0 014/0 006/0 078/0 015/0 19 004/0 067/0 013/0 005/0 077/0 015/0 20 003/0 057/0 012/0 004/0 065/0 013/0 21 003/0 057/0 012/0 004/0 064/0 013/0 22 003/0 057/0 012/0 004/0 065/0 013/0 23 003/0 057/0 012/0 004/0 066/0 013/0 24 002/0 048/0 011/0 003/0 060/0 013/0 25 006/0 075/0 015/0 007/0 087/0 016/0 26 005/0 069/0 014/0 006/0 079/0 015/0 27 003/0 055/0 012/0 004/0 063/0 013/0 28 003/0 055/0 012/0 004/0 064/0 013/0 29 003/0 058/0 012/0 004/0 066/0 013/0 30 003/0 058/0 012/0 004/0 067/0 013/0 31 003/0 058/0 012/0 004/0 067/0 013/0 32 003/0 057/0 012/0 004/0 066/0 013/0


ريزي ژنتيك در حوضة آبخيز امامه هاي برنامه نتايج مدل .4جدول ادامه

اعتبارسنجي آموزش شمارة مدلMSERMSEMAEMSE RMSE MAE

33 003/0 057/0 012/0 004/0 065/0 013/0 34 005/0 069/0 014/0 006/0 079/0 015/0 35 002/0 046/0 011/0 002/0 048/0 011/0 36 002/0 048/0 011/0 003/0 060/0 013/0 37 004/0 064/0 013/0 005/0 072/0 014/0 38 004/0 064/0 013/0 005/0 072/0 014/0 39 004/0 064/0 013/0 005/0 074/0 014/0 40 004/0 063/0 013/0 005/0 071/0 014/0 41 005/0 070/0 014/0 007/0 085/0 015/0 42 002/0 046/0 011/0 002/0 048/0 011/0 43 005/0 069/0 014/0 007/0 084/0 015/0 44 002/0 048/0 011/0 003/0 058/0 012/0 45 002/0 048/0 011/0 003/0 058/0 012/0 46 004/0 066/0 013/0 005/0 076/0 015/0 47 004/0 066/0 013/0 005/0 076/0 015/0 48 004/0 066/0 013/0 005/0 076/0 015/0 49 004/0 065/0 013/0 005/0 075/0 015/0 50 002/0 046/0 011/0 002/0 047/0 011/0 51 002/0 046/0 011/0 002/0 046/0 011/0 52 002/0 048/0 011/0 003/0 057/0 012/0 53 002/0 048/0 011/0 003/0 058/0 012/0 54 001/0 031/0 009/0 001/0 032/0 009/0 55 002/0 047/0 011/0 002/0 050/0 012/0 56 002/0 048/0 011/0 003/0 057/0 012/0 57 002/0 045/0 010/0 002/0 045/0 010/0 58 002/0 047/0 011/0 003/0 055/0 012/0 59 002/0 046/0 011/0 002/0 048/0 011/0 60 002/0 048/0 011/0 003/0 057/0 012/0 61 002/0 047/0 011/0 002/0 049/0 011/0 62 002/0 047/0 011/0 003/0 055/0 012/0


379

حوضة آبخيز امامه) GPژنتيك (ريزي به روش برنامهشده بيني پيشاي و . نمودار دبي روزانة مشاهده4شكل

(آموزش) 1383ـ 1382تا 1350ـ 1349هاي براي سال 54بر حسب ساختار

حوضة آبخيز امامه) GPريزي ژنتيك ( به روش برنامهشده بيني پيشاي و . نمودار دبي روزانة مشاهده5شكل

)(آزمايش 1391ـ 1390تا 1384ـ 1383هاي براي سال 54بر حسب ساختار

گيري بحث و نتيجهشد درج شده است، مشخص 4و 2، كه در جدول ريزي ژنتيك پرسپترون چنداليه و برنامهنتايج شبكة عصبي با توجه به

هايي است كـه مراتب بيشتر از خطاي مدل ها فقط از متغيرهاي هواشناسي استفاده شده به هايي كه در آن خطاي مدلكه هاي روزهـاي دهد كه دبي نشان ميموضوع اين ؛روزهاي قبل استفاده شده استسنجي آب هايمتغيرورودي ها از در آن

از ،امـا .جريان رودخانه نسبت به متغيرهاي هواشناسي دارنـد درامامه اثر معنادارتر و بيشتري معرّف قبل در حوضة آبخيزد و بيش از يك عامل يـا نتنهايي كافي باش د بهنتوان ها فقط از يك نوع متغير استفاده شده نمي هايي كه در آن مدل ،طرفي

؛انـد بيني جريان رودخانه در اين حوضة دخالت داشته ر پيشدسنجي اي از عوامل هواشناسي و آب متغير و به عبارتي دستهپرسـپترون شـبكة عصـبي طرفي ديگر، در روش ثير عوامل مختلف بر جريان رودخانه است. از أت ةدهند نشانموضوع اين ين خطاي معيارهـاي يشترو ببود ترتيب رطوبت نسبي داراي كمترين اثر هاي موجود با يك ورودي به مدل اليه ميانچند

14/0و ،40/0 ،16/0و آمـوزش ةدر مرحل 39/0، و 59/0 ،35/0برابر با MAE، و MSE ،RMSEترتيب شامل ارزيابي به

0

2

4

6

8

10

1349

-50

1350

-51

1352

-53

1353

-54

1355

-56

1357

-58

1358

-59

1362

-63

1364

-65

1365

-66

1367

-68

1369

-70

1370

-71

1372

-73

1374

-75

1375

-76

1377

-78

1380

-81

1382

-83

زمان (سال)

ه)ثاني

بر بكعر م

(متي

دبدبي مشاهده اي (متر مكعب بر ثانيه ) دبي محاسباتي با GP (متر مكعب بر ثانيه )

0

2

4

6

8

1383

-84

1383

-84

1384

-85

1384

-85

1385

-86

1385

-86

1386

-87

1387

-88

1387

-88

1388

-89

1388

-89

1389

-90

1390

-91

1390

-91

زمان (سال)

يه) ثان

ب برمكع

تر ( م

دبي

دبي مشاهده اي (متر مكعب بر ثانيه ) دبي محاسباتي با GP (متر مكعب بر ثانيه )


هاي بـا يـك متغيـر هواشناسـي) بـر مدلورودي كه داراي بيشترين اثر (از بين ،و براي متغير دمابود آزمايش ةدر مرحلـ 33/0، و 56/0 ،31/0برابر بـا MAE، و MSE ،RMSEترتيب شامل معيارهاي ارزيابي به بودجريان خروجي ةدر مرحل

كه ميزان خطاي مدل وقتـي كـه شد بارندگي نيز مشاهده بارةآزمايش بودند. در ةدر مرحل 13/0و ،36/0 ،13/0 و آموزشد خطاي مدل وش ميي كه از بارندگي همان روز يا يك روز قبل استفاده زمانشود نسبت به بارندگي با دو تأخير استفاده مي

بر جريان رودخانه بارندگي روزهاي قبل مثبت ثير أ) مبني بر ت1392اين يافته با نتايج شريفي و همكاران ( ؛يابد كاهش ميدر هـايي كـه فقـط از بين مـدل ،با توجه به معيارهاي ارزيابي ،خواني دارد. عالوه بر اين همآبخيز معرّف امامه در حوضة

ـ زماني تاثير يكسان تأخير أتنتايج حاكي از از تأخير زماني جريان استفاده شده ها آن حوضـة ةسه روز بـر جريـان رودخانايـن ؛بلكه خطاها نيز افـزايش يافتـه اسـت شود، مشاهده نميثيري أها تتن و ششم نه ،و از تأخير چهارم، پنجم استامامه

اين يافتـه بـا نتـايج است؛ تأخير بوده دوبرابر با امامه حوضة ةدهد كه حداكثر ميزان توالي آورد رودخان نشان ميموضوع 54بـا توجـه بـه مـدل . تاسـت راس ، هـم انـد كه با استفاده از آزمون گاما به اين نتيجه رسيده ،)1392شريفي و همكاران (

بـا ترتيـب برابـر بـه شده در مرحلة آموزش و آزمايش بيني اي و پيش (بهترين مدل) ميزان ضريب همبستگي دبي مشاهده دومتغير ورودي و با ساختار هشتبا 54مدل ،2 با توجه به نتايج جدول . بنابراين،)3و 2هاي (شكلاست 82/0و 90/0عالوه بر اين، در اين .داراي بهترين عملكرد بود ـ 8-9-8-1نرون و با آرايش 8و 9ترتيب با به اول ةدر الي ـ پنهان ةالي

پژوهش از يك، دو، و سه الية پنهان استفاده شد؛ نتايج نشان داد استفاده از سه الية پنهـان هـيچ تـأثيري در بهترشـدن با نگاهي دقيق بر نتايج شبكة عصبي پرسـپترون سب بود.ها ندارد و يك شبكة عصبي پرسپترون دو اليه منا شرايط مدل

به طوري كـه هـر چـه اند؛ پنهان ةاليه در الي اين شبكة عصبي داراي دو يها مدل بيشترشود كه مشخص مي ،چنداليهاسـتفاده از شـبكة عصـبي شـود تر مـي ساختار شبكة عصبي پيچيده ،به عبارتي ،يابد و متغيرهاي ورودي مدل افزايش مي

الي ريپهاي اين تحقيق با نظر نتايج يافته .تواند بسيار موثر باشد، ميپنهان است ةكه داراي دو الي ،رسپترون چهاراليهپـ هـاي پـس ) مبني بر استفاده از شبكه1996( كارتمن فود و و )1994( مخفـي بـه دليـل قابليـت ةانتشـار خطـاي دو الي

خـواني دارد. ها هـم اغتشاش حاكم بر داده يها دليل تغييرات شديد داده ها در حل مسائل هيدرولوژي به پذيري آن انعطافهمچنين، گرچه براي اجراي اين تحقيق در پرسپترون چنداليه از يك، دو، و سه اليه در الية پنهان استفاده شد، با توجـه

اي سه الية پنهان نبود؛ حتـي هاي نهايي پرسپترون چنداليه دار ها در حوضة مورد مطالعه، هيچ يك از مدل به نتايج مدلهاي الية پنهان نيز ها در هر دو حوضه شد. از طرفي، تعداد نرون در صورت استفاده از سه اليه باعث افزايش خطاي مدل

هاي الية پنهـان چنانچـه از ها به صورت سعي و خطا استفاده شد؛ نتايج نشان داد تعداد نرون نرون براي مدل 30تا 1از نرون براي حوضة 12تا 1نرون است و اگر از دو الية پنهان استفاده شود، بين 16تا 1ن استفاده شود، بين يك الية پنها

) و هيو 2011و همكاران ( هاي اين تحقيق تأييدكنندة آراي دائي دست آمد؛ يافته آبخيز امامه براي يك و دو الية پنهان بههمچنـين، روش هـاي اليـة پنهـان اسـت. افـزايش تعـداد نـرون ) مبني بر افزايش خطاها در صورت2012و همكاران (

درج گرديد. در اين نوع روش نيز، با توجـه بـه 4ريزي ژنتيك در حوضة آبخيز امامه انجام شد و نتايج آن در جدول برنامهترتيب برابر بـا بهمقدار عددي با متغير رطوبت نسبي، به عنوان تنها ورودي، داراي 3هاي ارزيابي بدترين مدل، مدل آمارهتـرين عملكـرد به عنوان ضعيفآزمايش ةدر مرحل 017/0 و ،095/0، 009/0و آموزش ةدر مرحل 015/0و ، 084/0، 007/0


381

) 2تبخير و تعرق (مـدل ساختار رياضي در حوضة آبخيز امامه شناخته شد؛ بعد از آن 62بود، بنابراين، بدترين مدل از بين ، متغيـر آزمـايش ةدر مرحل 016/0و ، 090/0، 008/0و آموزش ةدر مرحل 015/0 و ،079/0، 006/0رابر با با ميزان خطاي ب

016/0 و ،089/0، 008/0و آمـوزش ةدر مرحل 015/0 و ،078/0، 006/0ترتيب برابر با مقدار عددي به) با 1بارندگي (مدل 016/0 و ،089/0، 007/0آموزش و ةدر مرحل 015/0 و ،077/0، 006/0) با ميزان خطاي 4و دما (مدل ،آزمايش ةدر مرحلترتيـب بهبا ميزان خطا 54بهترين ساختار پيشنهادي هم مدل بودند. MAEو ، MSE ،RMSE برايآزمايش ةدر مرحل 5و 4هـاي بـود. شـكل آزمايش ةدر مرحل 009/0 و ،032/0، 001/0و آموزش ةدر مرحل 009/0 و ،031/0، 001/0برابر با هاي دهد. عالوه بر اين، يكي از قابليت شده در مرحلة آموزش و آزمايش را نشان مي بيني اي و پيش مقادير مشاهدهنمودار

ايـن تحقيـق نيـز در است. مطالعه ريزي ژنتيك ارائة رابطة رياضي براي متغيرهاي هيدرولوژيكي مورد مهم روش برنامه

ارائـه 5آن در رابطة همراه ساختار به ژنتيك براي حوضة آبخيز امامه يريز آمده با استفاده از برنامه دست به رياضي رابطة

است. شده

(Qt=(Qt-2-Qt-1)((RHtQt-10.92Pt))+(Qt-1-(0.02Pt-1)0.06))+0.089Tt+0.089Pt-2-ETt 5رابطة

ها، از ذكـر از بين دو نوع مجموعه عملگر رياضي اصلي از عملكرد بهتري برخوردار بود؛ به دليل تعدد مدل ،از طرفيـ خودداري شد. از آنجـا cotg، و sin ،cos ،tangـ كه شامل عملگرهاي متعدد و زيادي بود، همچون نتايج مجموعة دوم

آيـد، چنانچـه رابطـة بـين دست مـي ها (اعداد ثابت) و توابع به ريزي ژنتيك از تركيب تصادفي مجموعه ترمينال كه برنامهشود. نتايج اين تحقيق مي از اين نوع عملگرها استفاده شود، موجب كاهش دقت مدلها خطي باشد و ها و خروجي ورودي

رواناب رابطة پيچيده و غيرخطي است، در تخمين اين رابطـه عملگرهـاي ذكرشـده باعـث -نشان داد گرچه رابطة بارشكارايي بسيار زياد قادر اسـت ريزي ژنتيك خطي به دليل شوند و برنامه پيچيدگي بيش از حد مدل و كاهش دقت مدل مي

مهـر و همكـاران هاي اين تحقيـق بـا نتـايج داننـده با همان عملگرهاي اصلي اين رابطة غيرخطي را تخمين بزند؛ يافتهبا توجه به نتايج شبكة عصبي دو حوضة مورد مطالعه و مقايسة آن خواني دارد. ) هم1389) و سلطاني و همكاران (2014(

ريـزي ژنتيكـي روش شد كـه از بـين شـبكة عصـبي مصـنوعي و برنامـه ريزي ژنتيك مشخص رنامهبا نتايج حاصل از بآيتـك و )؛2003ريزي ژنتيكي از عملكرد بهتري برخوردار است؛ نتايج ايـن تحقيـق بـا نتـايج دورادو و همكـاران ( برنامه

، 2013و همكـاران ( مهـر ؛ داننده)2010همكاران ( و )؛ قرباني2009؛ وانگ و همكاران ()2009( )؛ گوين2008همكاران (ايـن روش بـا توجـه بـه زياد مبني بر كارايي و دقت ) 1389)؛ و سلطاني و همكاران (1388)؛ فربودنام و همكاران (2014

.خواني دارد مقادير خطاها هم منابع

بارشسـازي فراينـد ريزي ژنتيك و كاربرد آن در مـدل ). برنامه1389زاده، د. ( فرد، ا.؛ دربندي، ص. و فرسادي سلطاني، ع.؛ قرباني، م.ع.؛ فاخري .71ـ 61): 4(1، دانش آب و خاكرواناب، -

آبخيز امامه بـا سازي رواناب در حوضة متغيرها براي شبيه ة. تركيب بهين)1392( نيا، ع.ر. مقدمو فرد، ا. فاخري ؛پژوه، ي. دين ؛شريفي، ع.ر. از آزمون گاما

استفاده .72ـ 59 ):4(23 ،دانش آب و خاك ،


ريزي ژنتيك (مطالعة موردي حوضة آبخيز بيني جريان رودخانه با استفاده از برنامه ). پيش1388فربودنام، ن.؛ قرباني، م.ع. و اعلمي، م.ت. (

ليقوان)، .122ـ 107 ):1(19، دانش آب و خاك

). تخمين ضريب دبي در سـرريزهاي لبـة پهـن مركـب بـا اسـتفاده از 1391امهر، پ.؛ سلماسي، ف. و پوراسكندر، س. (مسعودي، ا.؛ پارس برنامه

رگرسيون، .942ـ 933): 4(26، آب و خاكريزي ژنتيك، و شبكة عصبي،

Aytek, A.; Asce, M. and Alp, M. (2008). An Application of Arti ficial Intelligence for Rainfall-Runoff Modeling, Hydrology Earth System science, 117(2): 145-155.

Chiang, J.L. and Yeh, C.H. (2010). Suspended Sediment Forecasting in Gao-Pen River using Artificial Neural Network, Vol. 12, EGU2010-7549.

Dai, X.; Huo, Z. and Wang, H. (2011). Simulation for Response of Crop Yield to Soil Moisture and Salinity with Artificial Neural Network, Field crops research, 121: 441-449.

DanandehMehr, A.; Kahya, E. and Olyaie, E. (2013). Streamflow Prediction using Linear Genetic Programming in Comparison with a Neuro-Wavelet Technique, Journal of Hydrology, 505: 240-249.

DanandehMehr, A.; Kahya, E. and Yerdelen, C. (2014). Linear Genetic Programming Application for Successive-Station Monthly Stream Flow Prediction, Journal of Computers and Geosciences, 70: 63-72.

Dawson, C.W and Wilby, R.L. (2001). Hydrological modeling using artificial neural network, Progress in Physical Geography, 25(1): 80-108.

Dorado, J.; Rabunal, J.R.; Pazos, A.; Rivero, D.; Santos, A. and Puertas, J. (2003). Prediction and Modeling of the Rainfall-Runoff Transformation of a Typical Urban Basin using ANN and GP, Applied Artificial Intelligence, 17: 329-343.

Farboudfam, N.; Ghorbani, M.A. and Alami, M.T. (2009). River Flow Prediction Using Genetic Programming (Case Study: Lighvan River Watershed), Journal of Soil and Water Science, 19(1): 107-122 (In Persion).

Gharaei-Manesh, S.; Fathzadeh, A. and Taghizadeh-Mehrjardi, R. (2016). Comparison of Artificial Neural

Network and Decision Tree Models in Estimating Spatial Distribution of Snow Depth in a Semi-Arid

Region of Iran, Cold Regions Science and Technology, 122: 26-35.

Ghorbani, M.A.; Khatibi, R.; Aytek, A.; Makarynskyy, O. and Shiri, J. ) 2010). Sea water Level Forecasting using

Genetic Programming and Artificial Neural Networks, Computers and Geoscience, 36(5): 620-627.

Guven, A. (2009). Linear Genetic Programming for Time-Series Modeling of Daily Flow Rate, Journal of

Earth System Science, 118(2): 157-173.

Harun, S.; Ahmat Nor, N.I. and Kassim, A.H.M. (2002). Artificial Neural Network Model for Rainfall-Runoff

Relationship, Journal Technology, Vol. 37, (B) Dis. 2002: 1–12© University Technology Malaysia.

Hosseini, S.M. and Mahjouri, N. (2016). Integrating Support Vector Regression and a Geomorphologic

ArtificialNeural Network for Daily Rainfall-Runoff Modeling, Applied Soft Computing, 38: 329-345.

Huo, Z.; Feng, S.; Kang, S.; Huang, G.; Wang, F. and Guo, P. (2012). Integrated Neural Networks for Monthly

River Flow Estimation in Arid Inland Basin of Northwest China, Journal of Hydrology, 420-421: 159-170.

Jayawardena, AW; Muttil, N. and Fernando, T. (2005). Rainfall-Runoff Modelling using Genetic Programming,

International Congress on Modelling and Simulation Society of Australia and New Zealand, December 2005,

New Zealand, PP. 1841-1847.

Koza, J.R. (1992). Genetic Programming: On the Programming of Computers by Natural Selection, A Brafdford

book Cambridge, MIT Press.

Masoodi, A.; Parsamehr, P.; Salmasi, F. and Pureskandar, S. (2012). Regression Analysis, Genetic Programming

and ANN to Predict Discharge Coefficient of Compound Broad Crested Weir, Journal of Water and Soil,

26(4): 933-942 (In Persion).


383

Pramanik, N. and Panda, R.K. (2009). Application of Neural Network and Adaptive Neurofuzzy Inference

Systems for River Flow Prediction, Journal of Hydrology, 54(2): 247-260.

Sarangi, A. and Bhattacharya, A.K. (2005). Comparison of Artificial Neural Network and Regression Models

for Sediment Loss Prediction from Banha Watershed in India, Agricultural water management, 28(4): 373-

385.

Sharifi, A.R.; Dinpashoh, Y.; Fakheri-Fard, A. and Moghaddamnia, A.R. (2013). Optimal combination of

Variables for Runoff Simulation in the Amameh Wtershed using Gamma test, Water and Soil Science,

23(4): 59-72 (In Persion).

Sinivasulu, S. and Jain, A. (2006). A comparative analysis of training methods for artificial neural network

rainfall-runoff models, Applied Soft Computing, 6: 295-306.

Solaimani, K. (2009). Rainfall-Runoff Prediction Based on Artificial Neural Network (A Case Study: Jarahi

Watershed), American-Eurasian Journal of Agriculture and Environment, Science, 5(6): 856-865.

Soltani, A.; Ghorbani, M.A.; Fakherifard, A.; Darbandi, S. and Farsadizadeh, D. (2010): Genetic programming and

its application in modeling the rainfall-runoff process, Journal of Soil and Water, 1(4): 61-71 (In Persion).

Sudheer, P.K.; Gosain, A.K. and Ramasastri, K.S. (2002). A Data Driven Algorithm for Constructing Artificial

Neural Network Rainfall- Runoff Models, Journal of Hydrology, 16(6): 1325-1330.

Tao, W.; Kailin, Y. and Yongxin, G. (2008). Application of Artificial Neural Networks to Forecasting Ice

Conditions of the Yellow River in the Inner Mongolia Reach, Journal of Hydrology, 13(9): 811-816.

Wang, W.C.; Chau, K.W.; Cheng, Ch.T. and Qiu, L. (2009). A Comparison of Performance of Several Artificial

Intelligence Methods for Forecasting Monthly Discharge Time Series, Journal of Hydrology, 374(3-4): 294-

306.

Wu, C.L.; Chau, K.W. and Li, Y.S. (2009). Methods to Improve Neural Network Performance in Daily Flows

Prediction, Journal of Hydrology, 372(1-4): 80-93.

geography tabiee - autumn 1395 - دانشگاه تهران · 1395 ﺰﻴﻳﺎﭘ ، 3...

Documents