كاربرد مدل هاي برنامه ريزي بيان ژن و ماشين بردار رگرسيوني جهت مدل سازي و پيش بيني بارش ماهانه

Application of Gene Expression Programming and Support Vector Regression models to Modeling and Prediction Monthly precipitation

برآورد و پيش­بيني بارش و دستيابي به مقدار رواناب ناشي از آن، نقش اساسي و مؤثري را در مديريت و بهره­ برداري صحيح از حوضه، مديريت سدها و مخازن، به حداقل رساندن خسارات ناشي از سيلاب، خشكسالي و مديريت منابع آب ايفا مي­كند و به همين دليل مورد توجه هيدرولوژيست­ ها مي­باشد. عملكرد خوب مدل­هاي هوشمند باعث افزايش استفاده از آنها براي پيش­بيني پديده ­هاي مختلف هيدرولوژيكي شده است. لذا در پژوهش حاضر، از دو مدل هوشمند به نام ­هاي برنامه ­ريزي بيان­ژن و ماشين بردار رگرسيوني براي پيش­بيني بارش ماهانه شهرستان نهاوند استفاده شد. در اين مطالعه از داده ­هاي بارش، دما و رطوبت ­نسبي ماهانه ايستگاه وراينه در يك دوره 32 ساله (1393-1362) استفاده شد. نتايج به دست آمده نشان داد كه عملكرد هر دو مدل خوب و مشابه بوده (ضريب همبستگي حدود 92/0) ولي با توجه به بررسي معيارهاي ارزيابي مختلف، مدل برنامه ­ريزي بيان­ژن عملكرد كمي بهتر داشته است (جذر ميانگين مربعات خطا به ترتيب 0478/0 و 0486/0). اين در حالي است كه مدل ماشين بردار رگرسيوني داراي مزيت سهولت در اجراي مدل مي­باشد. به طوركلي مي­توان گفت كه مدل برنامه ­ريزي بيان ژن براي مدل­سازي بارش ماهانه ايستگاه وراينه در شهرستان نهاوند مناسب بوده است. در پايان مقدار بارش ماهانه براي سال 1394 با مدل برنامه­ ريزي بيان ژن پيش­بيني شد كه نشان از كاهش مقدار بارش در سال 1394 نسبت به سال­هاي قبل داشت.

Estimating and predicting precipitation and achieving its runoff play an important role to correct management and exploitation of basins, management of dams and reservoirs, minimizing the flood damages and droughts, and water resource management, so they are considered by hydrologists. The appropriate performance of intelligent models leads researchers to use them for predicting hydrological phenomena more and more. Therefore, in this study, the Gene Expression Programming (GEP) and Support Vector Regression (SVR) models were used to model monthly precipitation of Nahavand City. In this study, precipitation, temperature, and relative humidity data were used in a 32-year period (from 1983 to 2014). The results showed that the same and good performance of both models (R2= 0.92), but according to different evaluation criteria, GEP model showed a little better performance (RMSE= 0.0478 and 0.0486), while the running GEP model is so easier than the SVM model. Totally, it can be said that GEP model had been suitable for modeling monthly precipitation of Varayeneh station in Nahavand City. Finally, the monthly precipitation was predicted the GEP which showed a decrease in precipitation in compared with previous months.