پيش بيني جريان رودخانه با محاسبات نرم

River Flow Forecasting by Using Soft computing

پيش بيني جريان رودخانه به منظور فعاليت هاي مرتبط با برنامه ريزي و بهره برداري منابع آب لازم و ضروري است. عملكرد دو الگوي هوشمند شامل فازي-عصبي تطبيقي (مبتني بر روش افراز شبكه) و برنامه ريزي بيان ژن در پيش بيني جريان رودخانه بررسي شد. 21 سال رواناب ماهانه دو ايستگاه صفاخانه واقع بر روي رودخانه ساروق چاي و سنته واقع بر رودخانه خرخره چاي در حوضه آبريز زرينه رود استفاده شد. اثرات تناوبي و فصلي جريانات ماهانه در اين تحقيق بر روي عملكرد الگوها ارزيابي شد. با در نظر گرفتن ضريب فصلي در الگوي برنامه ريزي بيان ژن مقدار آماره ضريب تعيين به ازاي بهترين الگو به ميزان 19/0 و 25/0 به ترتيب براي ايستگاه هاي صفاخانه و سنته افزايش يافت. همچنين عملكرد دو الگوي فوق براي پيش بيني جريان با داده هاي ايستگاه مجاور نيز بررسي شد. نتايج به دست آمده نشان داد كه هر دو روش فازي-عصبي و برنامه ريزي بيان ژن مي توانند به طور موفقيت آميزي براي پيش بيني رواناب ماهانه رودخانه استفاده شوند. در اين حالت مقدار آماره ريشه ميانگين مربعات خطا با به كارگيري بهترين تركيب ورودي براي الگوهاي فازي-عصبي تطبيقي و برنامه ريزي بيان ژن به ترتيب برابر 88/4 و 89/4 به دست آمد. اما الگوي برنامه ريزي بيان ژن-به دليل ارايه رابطه رياضي حاكم بر مساله مورد بررسي-نسبت به الگوي فازي-عصبي تطبيقي برتري دارد.

Forecasts of streamflows are required for many activities associated with the planning and operation of components in a water resource system. This paper demonstrates the application of two different intelligent approaches including adaptive neuro-fuzzy (ANFIS) based on grid partition and Gene Expression Programming (GEP) for the prediction of monthly streamflows. In the first part of the study, ANFIS and GEP models were used in one-month ahead streamflow forecasting and the results were evaluated. Monthly run-off data of 21 years from two stations, the Safakhaneh Station on the Sarough-Chay Stream and the Senteh Station on the Kherkherh-Chay Stream in the Zarrineh-rud Basin of Iran were used in the study. The effect of periodicity on the model’s forecasting performance was also investigated. By application of periodicity coefficient in GEP model, determination coefficient in the case of the best input combination for Safakhaneh and Senteh increased 0.19 and 0.25, respectively. In the second part of the study, the performance of the ANFIS and GEP techniques was tested for streamflow estimation using data from the nearby river. The results indicated that the GEP and ANFIS models could be employed successfully in forecasting streamflow. In this case, for the best input combination, root mean square error (RMSE) for ANFIS and GEP obtained equal to 4.88 and 4.89 respectively. However, GEP is superior to ANFIS in giving explicit expressions for the problem.