مقايسۀ مدل هاي هوشمند در تخمين بارش ماهانۀ حوضۀ كاكارضا

Compare intelligent models to Estimate monthly Precipitation Kakareza Basian

برآورد بارش براي اجراي طرح هاي مطالعات منابع آب، خشك سالي، طرح هاي آمايش سرزمين، محيط زيست، آبخيزداري و طرح هاي جامع كشاورزي ضروري مي باشد. در اين پژوهش جهت تخمين بارش ماهانه دشت كاكارضا واقع در استان لرستان از مدل برنامه ريزي بيان ژن استفاده شد و نتايج آن با سايرروشهاي هوشمند از جمله سيستم استنتاج فازي_عصبي و شبكه عصبي مصنوعي مقايسه گرديد. براي اين منظور از پارامترهاي ميانگين دما، رطوبت نسبي، تبخير، سرعت باد در مقياس زماني ماهانه در طي دوره آماري (1394-1384) بعنوان ورودي و بارش بعنوان پارامتر خروجي مدلها انتخاب گرديد. معيارهاي ضريب همبستگي، ريشه ميانگين مربعات خطا و ميانگين قدر مطلق خطا براي ارزيابي و عملكرد مدلها مورد استفاده قرار گرفت. از لحاظ دقت، مدل برنامه ريزي بيان ژن با ضريب همبستگي 0/978 ، ريشه ميانگين مربعات خطا (mm 0/026) و ميانگين قدر مطلق خطا (mm 0/017) در مرحله صحت سنجي در اولويت قرار گرفت. در مجموع نتايج نشان داد كه روش برنامه ريزي بيان ژن توانايي بالايي در تخمين مقادير كمينه و مياني و بارش دارد.

Precipitation is considered as one of the most important factures in water cycle. Prediction of monthly Precipitation is important for many purposes such as estimating torrent، drought، run-off، sediment، irrigation programming and also management of drainage basins.In this study we studied and evaluated gene expression programming to predict the Precipitation of the Kakareza river (in lorestan)، and the results were compared with results of anfis and artificial neural network model. For this purpose، mean temperature، relative humidity، evaporation، wind speed rate at monthly scale during the period (2005-2015) as input and output parameters were selected as Precipitation . The criteria of correlation coefficient، root mean square error and of mean absolute error were used to evaluate and performance compare of models. The results showed that gene expression programming model has the highest correlation coefficient (0.978)، the lowest root mean square error (0.026 mm) and the lowest mean absolute error (0.017mm) became a priority in the validation phase. The results showed that the gene expression programming model to estimate high minimum and maximum values of Precipitation .