مدل تخمين جريان رودخانه بر اساس بازسازي فضاي حالت آشوبي

Predicting Model of River Streamflow Based on Chaotic Phase Space Reconstruction

چكيده قابليت‌هاي نظريه آشوب و برنامه‌ريزي ژنتيك، بكارگيري اين دو مدل را در هيدرولوژي مورد توجه خاص قرار داده است. در اين تحقيق مقادير دبي روزانه رودخانه ليقوان در طي 30 سال با استفاده از اين مدل‌ها مورد بررسي قرار گرفته است. در نظريه آشوب، ابتدا با استفاده از روش بعد همبستگي امكان وجود آشوب قطعي در دبي روزانه بررسي و پس از تعيين پارامترهاي لازم جهت بازسازي فضاي حالت، دبي روزانه به روش پيش‌بيني موضعي تخمين زده شده است. براي بازسازي فضاي حالت، به دو پارامتر زمان تاخير و بعد محاط نياز مي‌باشد و بدين منظور از تابع خود همبستگي و الگوريتم نزديكترين همسايه‌هاي كاذب استفاده شده و مقدار بعد همبستگي حاصله، حاكي از وجود رفتار آشوبناك در سري زماني تحت بررسي است. در نهايت از پيش بيني موضعي جهت تخمين دبي استفاده گرديد كه نتايج حاكي از دقت قابل قبول اين نظريه در امر پيش بيني مي‌باشد. همچنين از برنامه‌ريزي ژنتيك، جهت مدل‌سازي دبي روزانه استفاده و بهترين الگوي ورودي شامل دبي پيشين تا 4 تاخير زماني، انتخاب گرديد. ضرايب همبستگي بدست آمده برابر با 926/0 با روش پيش‌بيني موضعي و 931/0 با روش برنامه‌ريزي ژنتيك حاكي از دقت خوب و تقريبا مشابهي از هر دو روش در پيش‌بيني دبي جريان است. بنابراين هر دو روش مطابق نتايج بدست آمده مي‌توانند جهت مدل‌سازي و فرايند پيش بيني دبي مورد استفاده قرار گيرند.

Abstract The application of chaos theory and genetic programming has been gained a special attention in hydrology by abilities of these two models. In this study, a daily streamflow series with 30 years records of Lighvan River has been studied using these models. First in chaos theory, possibility of the existence of deterministic chaos in the daily streamflow series has been investigated by employing the correlation dimension method and after determination of the necessary parameters for reconstruction of phase space; daily streamflow is predicted by the use of local prediction method. To reconstruct the data pertaining to phase space, the time delay and embedding dimension are needed. For this purpose, autocorrelation function and algorithm of false nearest neighbors have been used and the amount of the obtained correlation dimension expresses chaotic behavior in the time series under investigation. Finally, local prediction method was used for prediction of the daily discharge and the results illustrate acceptable accuracy of this theory. The genetic programming has been used for daily discharge modeling and the best input pattern consists of antecedent discharge with four time lags has also been selected. The obtained correlation coefficient being equal to 0.926 from local prediction method and 0.931 from genetic programming indicate good accuracy and similar results obtained from both methods for streamflow prediction. Thus, according to the obtained results, both methods can be used for streamflow prediction and modeling.