سلگی, اباذر, زارعی, حیدر, گلابی, محمدرضا. (1396). بررسی عملکرد مدل برنامه ریزی بیان ژن با روش های پیش‌پردازش داده ها جهت مدل سازی جریان رودخانه. مجله پژوهش‌های حفاظت آب و خاک, 24(2), 185-201. doi: 10.22069/jwfst.2017.11353.2573
اباذر سلگی; حیدر زارعی; محمدرضا گلابی. "بررسی عملکرد مدل برنامه ریزی بیان ژن با روش های پیش‌پردازش داده ها جهت مدل سازی جریان رودخانه". مجله پژوهش‌های حفاظت آب و خاک, 24, 2, 1396, 185-201. doi: 10.22069/jwfst.2017.11353.2573
سلگی, اباذر, زارعی, حیدر, گلابی, محمدرضا. (1396). 'بررسی عملکرد مدل برنامه ریزی بیان ژن با روش های پیش‌پردازش داده ها جهت مدل سازی جریان رودخانه', مجله پژوهش‌های حفاظت آب و خاک, 24(2), pp. 185-201. doi: 10.22069/jwfst.2017.11353.2573
سلگی, اباذر, زارعی, حیدر, گلابی, محمدرضا. بررسی عملکرد مدل برنامه ریزی بیان ژن با روش های پیش‌پردازش داده ها جهت مدل سازی جریان رودخانه. مجله پژوهش‌های حفاظت آب و خاک, 1396; 24(2): 185-201. doi: 10.22069/jwfst.2017.11353.2573
بررسی عملکرد مدل برنامه ریزی بیان ژن با روش های پیش‌پردازش داده ها جهت مدل سازی جریان رودخانه
1دانشجوی دکتری مهدسی منابع آب-دانشگاه شهید چمران اهواز
2استادیار گروه هیدرولوژی و منابع آب-دانشگاه شهید چمران اهواز
3دانشجوی دکتری مهندسی منابع آب-دانشگاه شهید چمران اهواز
چکیده
سابقه و هدف: نیاز روزافزون به آب سبب گردیده است که برنامه‌ریزی‌های مدیریتی به‌منظور کنترل مصرف آب در آینده از اهمیت بیشتری برخوردار باشد. با پیش‌بینی جریان رودخانه‌ها علاوه بر مدیریت بهره‌برداری از منابع آب، می‌توان حوادث طبیعی نظیر سیل و خشکسالی را نیز پیش‌بینی و مهار نمود. به همین دلیل برآورد صحیح و دقیق جریان رودخانه با استفاده از مدل‌های مختلف یکی از موضوعاتی است که در منابع آب مورد بررسی پژوهشگران می‌باشد. مدل‌های هوشمند جهت پیش بینی جریان رودخانه توسط پژوهشگران مختلف به کار رفته‌اند. یکی از این مدل‌ها که عملکرد خوبی از خود نشان داده است مدل برنامه‌ریزی بیان ژن می‌باشد. اخیراً شیوه استفاده از مدل‌های هوشمند به صورت ترکیبی مورد پذیرش قرار گرفته است که جهت انجام این کار معمولاً از تبدیل موجک استفاده می‌شود. مواد و روش‌ها : در این مطالعه از مدل برنامه‌ریزی بیان ژن(GEP) برای مدل‌سازی جریان در مقیاس‌های روزانه و ماهانه در رودخانه گاماسیاب استفاده شد. برای این منظور از داده‌های بارش، دما، تبخیر و جریان رودخانه گاماسیاب در ایستگاه وراینه با یک دوره آماری 43 ساله (1390-1348) استفاده شد. برای افزایش عملکرد مدل از دو روش پیش‌پردازش داده‌ها یعنی تبدیل موجک(Wavelet Transform) و تجزیه به مؤلفه‌های اصلی(PCA) استفاده شد. بدین‌صورت که سیگنال اولیه هر یک از پارامترهای ورودی با استفاده از تبدیل موجک تجزیه شد. سپس برای مشخص کردن زیرسیگنال‌های مهم از روش تجزیه به مؤلفه‌های اصلی استفاده شده و زیرسیگنال‌های مهم به عنوان ورودی به مدل برنامه‌ریزی بیان ژن وارد شد تا مدل ترکیبی برنامه‌ریزی بیان ژن-موجک(WGEP) حاصل گردید. یافته‌ها: بررسی ساختارهای مختلف برای مدل برنامه‌ریزی بیان ژن نشان داد که عملکرد مدل در دوره روزانه خوب بوده ولی در دوره ماهانه عملکرد کاهش یافته است. مقایسه مدل ترکیبی برنامه‌ریزی بیان ژن-موجک با مدل برنامه‌ریزی بیان ژن نشان داد که عملکرد مدل ترکیبی در هر دو دوره زمانی روزانه و ماهانه از مدل ساده بهتر بوده است. دلیل این امر به خاطر پیش پردازشی است که روی داده‌ها پیاده شده بود. این در حالی است که نتایج مدل ترکیبی در دوره روزانه حدود 4 درصد و در دوره ماهانه 23 درصد ضریب تعیین مدل را افزایش داد. همچنین با توجه به تعداد زیاد زیرسیگنال‌ها به کار بردن روش PCA باعث افزایش سرعت اجرای برنامه شد. نتیجه‌گیری: استفاده از روش‌های پیش‌پردازش داده‌ها باعث افزایش عملکرد مدل شده است و استفاده از روشPCA به عنوان یک ابزار کمکی برای تبدیل موجک موجب افزایش سرعت و دقت مدل شده است. به طور کلی نتایج این مطالعه نشان داد که می‌توان از ترکیب مدل برنامه‌ریزی بیان ژن با تبدیل موجک به عنوان یک ابزار مناسب برای مدل‌سازی و پیش‌بینی جریان رودخانه گاماسیاب بهره برد.
Performance Assessment of Gene Expression Programming Model Using Data Preprocessing Methods to Modeling River Flow
نویسندگان [English]
abazar solgi1؛ mohammad reza golabi3؛
1student
چکیده [English]
Background and Objectives: An increasing need to water causes the importance of planning management in order to control water consumption in the future. River flow prediction, in addition to the management of water resources, can predict natural disasters such as flood and drought. Therefore, an accurate estimation of river flow using different models is an issue which has been considered by different water resource researchers. Intelligent models have been used to predict river flow. One of these models, which have shown appropriate performance, is Gene Expression Programming (GEP). A use of intelligent models in combinations has been lately accepted and for this purpose, the wavelet transform is usually used. Materials and Methods: In this study, the GEP model was used for modeling flow in the daily and monthly scale in Gamasiyab River. For this purpose, data of precipitation, temperature, evaporation and flow Gamasiyab River in Varayeneh Station was used during the period from 1970 to 2012. To increase the accuracy of the model, two methods of data pre-process, called Wavelet transform, and principal components analysis (PCA) and were used in such a way that the primary signal of each input parameter was decomposed using the wavelet transform. Then, to determine main sub-signals, the principal components analysis was used and main sub-signals as inputs were entered into the GEP model to produce Wavelet- Gene Expression Programming (WGEP). Results: Detection of different structures of the GEP model showed that the performance of the model was good on the daily scale, but in the monthly scale, the performance was reduced. The comparison of the WGEP model with The GEP model showed that the performance of the hybrid model in both of the daily and monthly scale was better than the simple model. It’s because of a pre-process which was done on data. The results of the hybrid model, based on the coefficient determination, was increased by 4% on the daily scale, and by 23% in the monthly scale. Also, regarding too many sub-signals, using the Principal Components Analysis increased the speed of running. Conclusion: Using pre-process of data has increased the performance of the model and using the PCA, as an auxiliary tool for the wavelet transform, increased the speed and accuracy of the model. Totally, the results showed that it’s possible to use the GEP model with the wavelet transform as a suitable tool for modeling and predicting the flow of Gamasiyab River.
0px; "> 1.Cattel, R.B. 1996. The scree test for the number of the factor. Multivariate Behavioral Research. 1: 245-276. 2.Danandehmehr, A., and Majdzadeh Tabatabai, M.R. 2010. I Prediction of Daily Discharge Trend of River Flow Based on Genetic Programming. J. Water Soil (Iran). 24: 2. 325-333. (In Persian) 3.Demyanov, V., Soltani, S., Kanevski, M., Conu, S., Maignan, M., Savelieva, E., Timonin, V., and Pisaren, K.V. 2001. Wavelet analysis residual kriging Vs. neural network residual kriging. Stochastic Env. Res. Risk Ass. 15: 18-32. 4.Ferreira, C. 2001. Gene Expression Programming: a New Adaptive Algorithm for Solving Problem. Complex Systems. 13: 87-129. 5.Hutcheson, G., and Nick, S. 1999. The multivariate social scientist: Introductory statistics using generalized linear models. Thousand Oaks, CA, Sage Publications. 6.Jayawardena, A.W., Xu, P., and Tsang, F.L.L. 2004. Rainfall predication by wavelet decomposition. Proceedings of the 2nd Asia Pacific Association of Hydrology and Water Resources Conference, volume II, 5-8, July 2004, Singapore, Pp: 11-19. 7.Karimi, S., Shiri, J., Kisi, O., and Shiri, A.A. 2015. Short-term and long-term streamflow prediction by using 'wavelet–gene expression' programming approach. ISH J. Hydraul. Engin. Pp: 1-15. 8.Kisi, O., Shiri, J., and Nazemi, A.H. 2011. A Wavelet-Genetic Programming Model for Predicting Short-Term and Long-Term Air Temperatures. J. Civil Engin. Urbanism. 1: 1. 25-37. 9.Mallat, S.G. 1998. A wavelet tour of signal processing, San Diego. 10.Nakken, M. 1999. Wavelet analysis of rainfall–runoff variability isolating climatic from anthropogenic patterns. Environmental Modelling & Software. 14: 4. 283-295. 11.Nourani, V., Hosseini Baghanam, A., Adamowski, J., and Kisi, O. 2014. Applications of hybrid Wavelet-Artificial Intelligence models in hydrology, A review. J. Hydrol. 514: 358-377. 12.Nourani, V., Komasi, M., and Mano, A. 2009. A Multivariate ANN-Wavelet Approach for Rainfall–Runoff Modeling. Water Resour. Manage. 23: 2877-2894. 13.Riad, S., Mania, J., Bouchaou, L., and Najjar, Y. 2004. Rainfall-runoff model usingan artificial neural network approach. Mathematical and Computer Modelling. 40: 7-8. 839-846. 14.Shafaei, M., Fakheri Fard, A., Darbandi, S., and Ghorbani, M.A. 2014. Prediction Daily Flow of Vanyar Station Using ANN and Wavelet Hybrid Procedure. J. Irrig. Water Engin. 4: 24. 113-129. (In Persian) 15.Shiri, J., and Kişi, Ö. 2011. Comparison of genetic programming with neuro-fuzzy systems for predicting short-term water table depth fluctuations. Computers & Geosciences. 37: 10. 1692-1701. 16.Shoaib, M., Shamseldin, A.Y., Melville, B.W., and Khan, M.M. 2015. Runoff Forecasting using HybridWavelet Gene Expression Programming (WGEP) Approach. J. Hydrol. 527: 326-344. 17.Solgi, A. 2014. Stream flow forecasting using combined Neural Network Wavelet model and comparsion with Adaptive Neuro Fuzzy Inference System and Artificial Neural Network methods (Case study: Gamasyab River, Nahavand). M.Sc. Thesis, Shahid Chamran University of Ahvaz, Iran, 164p. (In Persian)
ابتدای صفحه