مدل‌سازي دماي آب رودخانه‌ها با استفاده از برنامه‌ريزي بيان ژن (مطالعه موردي: رودخانه محمّد‌آباد در استان گلستان)

Modeling of river water temperature using Gene Expression Programming (Case Study: MohammadAbad River in Golestan province)

سابقه و هدف: با توجه به اهميت مسائل كيفيت آب و شرايط زيست‌‌‌محيطي، دماي آب رودخانه‌ها از دو جنبۀ اقتصادي و زيست‌محيطي داراي اهميت مي‌باشد. اين پارامتر تأثير مستقيمي بر تمامي پارامترهاي كيفيت آب داشته و نقش مهمي را در زندگي و زيستگاه آبزيان ايفا مي‌كند. در نتيجه، با توجه به پيامدهاي مهم درجه حرارت براي انجام ارزيابي اثرات زيست‌محيطي و مديريت مؤثر شيلات، درك وضع حرارتي رودخانه و فرآيندهاي تبادل حرارتي مرتبط با آن مهم است. مدل‌هاي قطعي و آماري بسيار زيادي براي تخمين دماي آب رودخانه‌ها توسط محققين مختلف ارائه شده است. تاكنون مدل‌سازي دماي آب رودخانه‌ها عموماً بر اساس دماي هوا بوده است. اين درحالي است كه احتمالاً متغيرهاي هيدروليكي رودخانه و نيز متغيرهاي هواشناسي بر دماي آب رودخانه‌ها تأثير دارند. همچنين تاكنون براي مدل‌سازي دماي آب رودخانه‌ها از الگوريتم‌هاي نوين و هوشمند به صورت محدودي استفاده شده است. بنابراين در اين پژوهش به منظور تخمين دماي آب رودخانه محمّدآباد واقع در استان گلستان از الگوريتم برنامه‌ريزي بيان ژن (GEP) استفاده شده و در مد‌ل‌سازي علاوه بر دماي هوا، متغيرهاي هيدروليكي و هواشناسي نيز مشاركت داده شده‌اند. مواد و روش‌ها: برنامه‌ريزي بيان ژن (GEP) يك الگوريتم تكاملي است كه از جمعيتي از افراد استفاده كرده و آن‌ها را مطابق برازندگي انتخاب مي‌كند و تغييرات ژنتيكي را با استفاده از يك يا چند عملگر ژنتيكي اعمال مي‌نمايد. براي انجام اين تحقيق، متغيرهاي هواشناسي و هيدروليكي شامل دماي هوا، رطوبت، سرعت وزش باد، پوشش ابر، دبي و سرعت جريان رودخانه طي يك دوره آماري 7 ساله (1391-1385) به عنوان متغيرهاي ورودي و دماي آب رودخانه به عنوان متغير خروجي انتخاب شدند. يافته‌ها: بر اساس مقايسه آماري نتايج مدل‌هاي مختلف GEP با 1 تا 6 متغير ورودي، مشخص شد كه الگوي 6 پارامتري نسبت به الگوهاي ديگر داراي بيشترين دقت از نظر ضريب تعيين و مجذور مربعات خطا است. اين مقادير براي داده‌هاي آموزش به‌ترتيب 0/92 و c˚1/8 و براي داده‌هاي آزمون 0/90 و c˚2/3 به‌دست آمده است. ميانگين خطاي روش GEP در مراحل آموزش و آزمون به‌ترتيب 14/67 و 12/80 درصد مي‌باشد، اين در حالي است كه خطاي مدل رگرسيون خطي بيش از 38 درصد به‌دست آمد. همچنين نتايج نشان داد كه مدل برنامه‌ريزي بيان ژن در مقايسه با مدل رگرسيون خطي چندمتغيره از كارايي بيشتري براي تخمين دماي آب رودخانه برخوردار است. نتيجه‌گيري: با توجه به نتايج به‌دست آمده از اين تحقيق مي‌توان با دقت قابل قبولي از مدل GEP در تخمين دما رودخانه‌ها استفاده نمود. همچنين مشخص شد كه علاوه بر دماي هوا كه بيشترين تأثير بر دماي آب رودخانه را دارد، متغير دبي جريان نيز داراي تأثير است.

Background and Objectives: River water temperature has both economic and ecological significance when considering issues such as water quality and biotic conditions in rivers. This parameter affects directly other water quality parameters and plays a major role in the quality of aquatic life and habitats. Consequently, with wide application of water temperature for conducting environmental impact assessments as well as for effective fisheries management, it is important to understand the thermal behavior of rivers and related heat exchange processes. Numerous deterministic and statistical models have been used for prediction of river water temperature by researchers. These modeling were generally based on the air temperature, yet. However, the river hydraulics and metrological parameters may have their special effects on river water temperature. Furthermore, there are limited researches undertaken by novel and intelligent algorithms. Hence, in this study, gene expression programming has been used for estimation of the water temperature of the MohammadAbad river located in Golestan province. In addition to the air temperature, the river hydraulics and metrological parameters were also accounted for modeling river temperature. Material and Methods: Gene Expression Programming (GEP) is an evolutionary algorithm that uses a population of individuals and selects individuals according to fitness, and introduces genetic variation using one or more genetic operators. For the water temperature modeling, the river hydraulics and meteorological parameters including river flow discharge, flow velocity, air temperature, humidity, wind speed and cloud cover during 7-year statistical period (2006-2012) were considered as input parameters and river water temperature was selected as output parameter. Results: Based on the comparison of the results of different GEP models with 1 to 6 input variables, it was concluded that the GEP model with 6-parameters has the highest accuracy in terms of the coefficient of determination and the root-mean-square error. These values were obtained 0.92 and 1.8˚C for training data and 0.90 and 2.3˚C for the testing data. The mean absolute errors of this model were obtained as 14.67% and 12.80% for training and testing phases, respectively, while the error of linear regression model was obtained greater than 38%. Results showed that in comparison with the multiple-linear regression model, the GEP model has better performance for river water temperature estimation. Conclusion: According to the results obtained in this paper, one can use the GEP model for prediction of river water temperature with acceptable accuracy. It is concluded that in addition to the air temperature which has the highest impact on the river temperature, the river flow discharge also has considerable impact.