مقايسه روش¬هاي برنامه‌ريزي بيان ژن، سري زماني غيرخطي، خطي و شبكه عصبي مصنوعي در تخمين دبي روزانه (مطالعه موردي: رودخانه كارون)

Comparison of the Gen Expression Programming, Nonlinear Time Series and Artificial Neural Network in Estimating the River Daily Flow (Case Study: The Karun River)

امروزه پیش‌بینی جریان روزانه رودخانه‌ها ار مباحث مهم در هیدرولوژی و منابع آب می‌باشد و می‌توان از نتایج الگوبندی جریان روزانه رودخانه در مدیریت منابع آب، خشكسالی‌ها و سیلاب‌ها استفاده كرد. با توجه به اهمیت این موضوع، در این پژوهش با استفاده از روش‌های سری زمانی خطی، غیرخطی و الگو‌های هوش مصنوعی (شبكه عصبی و برنامه‌ریزی بیان ژن) به الگوبندی جریان روزانه رودخانه كارون در محل ایستگاه آب‌سنجی ارمند طی دوره آماری (1390-1360) پرداخته شده است. حوضه بالادست ایستگاه ارمند از جمله زیرحوضه¬های اصلی حوضه كارون شمالی است كه شامل چهار زیرحوضه ونك، كارون میانی، بهشت آباد و كوهرنگ است. نتایج این پژوهش نشان داده است كه الگو‌های هوش مصنوعی دارای برتری نسبت به الگوی غیرخطی و خطی سری زمانی در الگوبندی جریان روزانه رودخانه كارون می‌باشند. همچنین الگوبندی و مقایسه الگو‌های هوش مصنوعی نیز نشان داد كه روش برنامه‌ریزی بیان ژن دارای معیارهای ارزیابی مناسب‌تری نسبت به روش شبكه عصبی مصنوعی می‌باشد.

Today, the daily flow forecasting of rivers is an important issue in hydrology and water resources and thus can be used the results of daily river flow modeling in water resources management, droughts and floods monitoring. In this study, due to the importance of this issue, using nonlinear time series models and artificial intelligence (Artificial Neural Network and Gen Expression Programming), the daily flow modeling has been at the time interval (1981-2012) in the Armand hydrometric station on the Karun River. Armand station upstream basin is one of the most basins in the North Karun basin and includes four sub basins (Vanak, Middle Karun, Beheshtabad and Kohrang).The results of this study shown that artificial intelligence models have superior than nonlinear time series in flow daily simulation in the Karun River. As well as, modeling and comparison of artificial intelligence models showed that the Gen Expression Programming have evaluation criteria better than artificial neural network.