مقايسه روش‌هاي برنامه‌ريزي بيان ژن و رگرسيون‌هاي پارامتريك و ناپارامتريك در پيش‌بيني دبي ميانگين روزانه رودخانه كارون (مطالعه موردي: ايستگاه هيدرومتري ملاثاني)

Comparison of Gene Expression Programming (GEP) and Parametric and Non-parametric Regression Methods in the Prediction of the Mean Daily Discharge of Karun River (A case Study: Mollasani Hydrometric Station)

امروزه، پيشبيني جريان رودخانه ها از مباحث مهم در هيدرولوژي و منابع آب است كه ميتوان از نتايج الگوبندي جريان رودخانه در مديريت منابع آب، مديريت سازه‌هاي آبي و پيش‌بيني سيل استفاده كرد. در اين تحقيق، عملكرد مدل برنامه ريزي بيان ژن (GEP)، رگرسيون پارامتريك خطي (LR)، رگرسيون پارامتريك غيرخطي (NLR) و همچنين روش ناپارامتريك -K نزديك­ترين همسايگي (K-NN)، در پيشبيني ميانگين دبي روزانه رودخانه كارون در محل ايستگاه هيدرومتري ملاثاني طي دوره آماري 96-1346 مورد ارزيابي قرار گرفته است. تركيب­ هاي مختلفي از داده‌هاي ثبت شده به‌عنوان الگوي ورودي براي پيش‌بيني دبي جريان استفاده شد. نتايج به‌دست آمده حاكي از عملكرد بهتر مدل برنامه‌ريزي بيان ژن با ضريب تبيين (0/827= R2)، جذر ميانگين مربعات خطا (59/45= RMSE) و ميانگين خطاي مطلق (MAE= 26.64) در مرحله صحت‌سنجي براي پيشبيني دبي روزانه رودخانه كارون در ايستگاه ملاثاني با تأخير 5 روز، در مقايسه با روش هاي LR، NLR و K-NN بوده است. همچنين، ارزيابي عملكرد مدل‌ها در پيش‌بيني مقادير حداكثر آبدهي جريان نشان داد كه همه مدل‌ها ميزان جريان را در بيشتر موارد كمتر از مقدار مشاهداتي تخمين زده‌اند.

Nowadays, the prediction of river discharge is one of the important issues in hydrology and water resources; the results of daily river discharge pattern could be used in the management of water resources and hydraulic structures and flood prediction. In this research, Gene Expression Programming (GEP), parametric Linear Regression (LR), parametric Nonlinear Regression (NLR) and non-parametric K- Nearest Neighbor (K-NN) were used to predict the average daily discharge of Karun River in Mollasani hydrometric station for the statistical period of 1967-2017. Different combinations of the recorded data were used as the input pattern to predict the mean daily river discharge. The obtained esults indicated that GEP, with R2= 0.827, RMSE= 59.45 and MAE= 26.64, had a better performance, as compared to LR, NLR and K-NN methods, at the validation stage for daily Karun River discharge prediction with 5-day lag, at the Mollasani station. Also, the performance of the models in the maximum discharge prediction showed that all models underestimated the flow discharge in most cases