مقایسه مدل های غیرخطی سری زمانی و برنامه ریزی ژنتیک در پیش بینی جریان روزانه رودخانه ها (مطالعه موردی: رودخانه باراندوزچای ارومیه)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه تبریز

2 دانشگاه ارومیه

چکیده

در این مطالعه برای پیش بینی جریان روزانه رودخانه باراندوزچای ارومیه در دوره آماری 1388-1352، از مدل غیرخطی سری زمانی دوخطی و روش برنامه ریزی ژنتیک استفاده و نتایج بر اساس شاخص های آماری جذر میانگین مربعات خطا و ضریب همبستگی مورد مقایسه قرار گرفت. در مطالعه حاضر مدل دوخطی BL(1,11,1,1) با داشتن کمترین مقدار معیار اکایکه اصلاح شده به عنوان مدل مناسب سری روزانه انتخاب و پس از انجام آزمون نکویی برازش الگوی مذکور برای پیش بینی جریان روزانه رودخانه باراندوزچای به کار برده شد. نتایج نشان داد که این الگو از توانایی لازم برای مدل سازی جریان روزانه برخوردار است. ضریب همبستگی وجذر میانگین مربعات خطا برای مدل BL(1,11,1,1) در مرحله صحت سنجی به ترتیب معادل 902/0 و ( )520/3 محاسبه شد. به منظور مدل سازی جریان روزانه رودخانه با برنامه ریزی ژنتیک از حافظه های دبی یک روز قبل، دو روز قبل تا چهار روز قبل استفاده شد. نتایج نشان داد که تا حافظه سه روز قبل دقت مدل سازی رو به بهبود بوده و بعد از آن کاهش می یابد. ضریب همبستگی و جذر میانگین مربعات خطا در بهترین حالت برنامه ریزی ژنتیک در مرحله صحت سنجی به ترتیب 928/0 و ( )863/2 می باشد. به طور کلی با مقایسه نتایج حاصل از دو الگوی مذکور می توان نتیجه گرفت که برنامه ریزی ژنتیک با 9/22 درصد خطای کمتر نسبت به مدل دوخطی، جریان روزانه رودخانه باراندوزچای را پیش بینی می کند.

کلیدواژه‌ها


عنوان مقاله [English]

Comparing Nonlinear Time Series Models and Genetic Programming for Daily River Flow Forecasting (Case study: Barandouz-Chai River)

نویسندگان [English]

  • Yagob Dinpashoh 1
  • Ahmad Fakheri fard 1
  • keivan khalili 2
  • Sabereh Darbandi 1
1 tabriz university
چکیده [English]

Abstract
In this study daily river flow of Barandouz-Chai in the period of 1973 to 2009 has been forecasted using nonlinear time series and Genetic programming models and result have been analyzed with root mean square error and regression coefficient methods. After evaluating model by goodness of fit, nonlinear BL(1,11,1,1) with the minimum AICC selected for modeling daily river flow forecasting. For BL(1,11,1,1) model regression coefficient and RMSE calculated equal to 0.902 and 3.52 (m3/s) respectively. Genetic programming has been used for modeling river flow with consideration to memory of one, two, three and four days before. Results showed until three days memory accuracy of model is acceptable but after that accuracy of model decreased. Regression coefficient and RMSE of Genetic programming in the testing phase calculated equal to 0.928 and 2.863 (m3/s) respectively. As results showed, Genetic programming with 22.9 percent less error was better than Bilinear time series model in Barandpuz-chai river flow forecasting

کلیدواژه‌ها [English]

  • discharge
  • Bilinear model
  • Forecasting
  • genetic programming
  • Testing