پيش‌بيني جريان روزانه در حوضۀ آبريز رودخانۀ تلوار با مدل‌هاي هوشمند

The Application of Intelligent Techniques for Predicting Daily Flow at Telvar Basin River

دبي رودخانه ها به دليل تغييرات درخور توجه زماني و مكاني در مطالعات هيدرولوژي و برنامه ريزي مديريت منابع آب اهميت فراواني دارد. در علوم مهندسي آب، سعي بر اين است كه با استفاده از سري زماني داده هاي ثبت‌شده، اقدام به برآورد جريان رودخانه شود. افزايش دقت پيش بيني هاي ياد‌شده ميتواند در برنامه ريزي دقيق تخصيص منابع آب مؤثر باشد. در اين پژوهش از سه روش برنامه ريزي بيان ژن، روش حداقل مربعات ماشين بردار پشتيبان و شبكۀ عصبي موجكي براي برآورد جريان رودخانۀ تلوار در حوضۀ آبخيز قروه‌ـ دهگلان استفاده شده و كارايي آنها مقايسه شد. به اين‌منظور داده هاي 10 سالۀ دبي رودخانه (1381-1391) به منظور مدل سازي استفاده شد. براي مدل سازي با روش هاي يادشده، 75 درصد از داده ها به عنوان دادههاي آموزش و 25 درصد نيز به‌منزلۀ داده هاي اعتبارسنجي مدل استفاده شدند. نتايج به‌دست‌آمده نشان داد پيش بيني مدل جريان با تأخير دو روز قبل جريان در رودخانه در هر سه روش دقت قابل قبولي دارد، به‌طوري كه معيار ضريب تبيين در مرحلۀ اعتبارسنجي در بهترين مدل به‌ترتيب براي برنامه ريزي بيان ژن، ماشين بردار پشتيبان و شبكۀ عصبي موجك برابر 0/94، 0/92، 0/90 بودند. همچنين، مقايسۀ سه مدل نشان داد روش ماشين بردار پشتيبان نسبت به دو روش ديگر عملكرد بهتري دارد و نيز دقت پيش بيني در اين مدل با افزايش تعداد تأخيرها به چهار و پنج روز قبل افزايش مي يابد.

River flow, which temporarily and spatially changes, is a major hydrological variable in water resource planning. In research, on water resources, the perdition of the river flow based on historical data is a main step for watershed management. In this study three intelligent techniques including wavelet artificial neural networks, gene expression programming, and support vector machine (SVM- LS) were compared in river daily flow perdition at the Telvar basin. Daily recorded data from 2002-2012 were used in the modeling procedure. Data were divided to train (75%) and test (25%) groups. Results indicated that all three modeling methods have high performance in predicting daily flow using the two-day lag data. The correlation coefficients for wavelet artificial neural networks, gene expression programming, and support vector machine (SVM- LS) were 0.9, 0.94, and 0.92 respectively. Therefore, it can be concluded that the gene expression programming has slightly better results in comparison with the other two modeling methods. The accuracy of the gene expression programming model increased due to the increasing of the lag data from 2 to 4 and five days.