مقايسه روش‌هاي سيستم استنتاج فازي عصبي تطبيقي، شبكه عصبي مصنوعي و برنامه‌ريزي بيان ژن در تخمين ميزان سختي آب زيرزميني (مطالعه موردي: دشت مازندران)

Comparison of Anfis, Artificial neural network, and Gene expression programming to estimate the amount of Water hardness (Case study: Mazandaran Plain)

ميزان سختي آب زيرزميني عامل مهمي در مسائل هيدروژئولوژي و بويژه مطالعه كيفي آب هاي زيرزميني مي باشد. در چند دهه اخير سيستم هاي هوش مصنوعي كاربرد زيادي در علوم مختلف از جمله مديريت منابع آب داشته است. در اين پژوهش تخمين ميزان سختي آب زيرزميني دشت مازندران، با استفاده از برنامه ريزي بيان ژن مورد بررسي قرار گرفته و نتايج آن با  ساير روش هاي هوشمند همچون شبكه عصبي مصنوعي و سيستم استنتاج فازي عصبي تطبيقي مقايسه شده است،  براي اين منظور هيدروژن كربنات، كلريد، سولفات، منيزيم و كلسيم در مقياس زماني ماهانه در طي دوره آماري (1373-1393) بعنوان ورودي و ميزان سختي آب بعنوان پارامتر خروجي انتخاب گرديد. معيارهاي ضريب همبستگي، ريشه ميانگين مربعات خطا، ميانگين قدر مطلق خطا و ضريب نش ساتكليف براي ارزيابي و نيز مقايسه عملكرد روش ها مورد استفاده قرار گرفت. نتايج حاصله نشان داد مدل برنامه ريزي بيان ژن داراي بيش ترين ضريب همبستگي 960/0، كمترين ريشه ميانگين مربعات خطاppm  112/0، ميانگين قدر مطلق خطا ppm 171/0 و نش ساتكليف880/0 در مرحله صحت سنجي در اولويت قرار گرفت. در مجموع نتايج نشان داد كه مدل برنامه ريزي بيان ژن توانايي بالايي در تخمين  برخي مقادير  بيشينه و مياني ميزان سختي آب زيرزميني دارد.

Rate of water hardness is an important factor in hydrogeology, particularly in groundwater quality researches. In recent decades, the artificial intelligence systems such as artificial neural networks have many applications in various sciences, including management of water resources. In this study, estimated rate of groundwater hardness in Mazandaran plain, using Gene expression programming have been studied and the results is compared with other intelligent methods such as artificial neural network and Anfis. For this purpose the hydrogen carbonate, chloride, sulfate, magnesium and calcium monthly time scale of the period (19942014) was selected as inputs and water hardness as output. Standard deviation of the correlation coefficient, root mean square error, and coefficient of Nash Sutcliff were used to assess various methods. The results showed that Gene expression programming model has the maximum correlation coefficient 0.960, minimum root mean square error  0.112, mean absolute error 0.171 coefficient of Nash Sutcliff 0.880 was in the verification phase. In overall, the results showed that the Gene expression programming model has high performance in estimating some maximum and intermediate values of groundwater hardness.