مدل‌سازی دمای آب رودخانه‌ها با استفاده از برنامه‌ریزی بیان ژن (مطالعه موردی: رودخانه محمّد‌آباد در استان گلستان)

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد سازه های آبی دانشگاه علوم کشاورزی و منابع طبیعی گرگان

2 عضو هیئت علمی دانشگاه علوم کشاورزی و منابع طبیعی گرگان

3 استادیار گروه عمران دانشگاه میرداماد گرگان

4 عضو هیأت علمی دانشگاه

5 دانشیار دانشگاه علوم کشاورزی و منابع طبیعی گرگان

چکیده

سابقه و هدف: با توجه به اهمیت مسائل کیفیت آب و شرایط زیست‌‌‌محیطی، دمای آب رودخانه‌ها از دو جنبۀ اقتصادی و زیست‌محیطی دارای اهمیت می‌باشد. این پارامتر تأثیر مستقیمی بر تمامی پارامترهای کیفیت آب داشته و نقش مهمی را در زندگی و زیستگاه آبزیان ایفا می‌کند. در نتیجه، با توجه به پیامدهای مهم درجه حرارت برای انجام ارزیابی اثرات زیست‌محیطی و مدیریت مؤثر شیلات، درک وضع حرارتی رودخانه و فرآیندهای تبادل حرارتی مرتبط با آن مهم است. مدل‌های قطعی و آماری بسیار زیادی برای تخمین دمای آب رودخانه‌ها توسط محققین مختلف ارائه شده است. تاکنون مدل‌سازی دمای آب رودخانه‌ها عموماً بر اساس دمای هوا بوده است. این درحالی است که احتمالاً متغیرهای هیدرولیکی رودخانه و نیز متغیرهای هواشناسی بر دمای آب رودخانه‌ها تأثیر دارند. همچنین تاکنون برای مدل‌سازی دمای آب رودخانه‌ها از الگوریتم‌های نوین و هوشمند به صورت محدودی استفاده شده است. بنابراین در این پژوهش به منظور تخمین دمای آب رودخانه محمّدآباد واقع در استان گلستان از الگوریتم برنامه‌ریزی بیان ژن (GEP) استفاده شده و در مد‌ل‌سازی علاوه بر دمای هوا، متغیرهای هیدرولیکی و هواشناسی نیز مشارکت داده شده‌اند.
مواد و روش‌ها: برنامه‌ریزی بیان ژن (GEP) یک الگوریتم تکاملی است که از جمعیتی از افراد استفاده کرده و آن‌ها را مطابق برازندگی انتخاب می‌کند و تغییرات ژنتیکی را با استفاده از یک یا چند عملگر ژنتیکی اعمال می‌نماید. برای انجام این تحقیق، متغیرهای هواشناسی و هیدرولیکی شامل دمای هوا، رطوبت، سرعت وزش باد، پوشش ابر، دبی و سرعت جریان رودخانه طی یک دوره آماری 7 ساله (1391-1385) به عنوان متغیرهای ورودی و دمای آب رودخانه به عنوان متغیر خروجی انتخاب شدند.
یافته‌ها: بر اساس مقایسه آماری نتایج مدل‌های مختلف GEP با 1 تا 6 متغیر ورودی، مشخص شد که الگوی 6 پارامتری نسبت به الگوهای دیگر دارای بیشترین دقت از نظر ضریب تعیین و مجذور مربعات خطا است. این مقادیر برای داده‌های آموزش به‌ترتیب 92/0 و c˚8/1 و برای داده‌های آزمون 90/0 و c˚3/2 به‌دست آمده است. میانگین خطای روش GEP در مراحل آموزش و آزمون به‌ترتیب 67/14 و 80/12 درصد می‌باشد، این در حالی است که خطای مدل رگرسیون خطی بیش از 38 درصد به‌دست آمد. همچنین نتایج نشان داد که مدل برنامه‌ریزی بیان ژن در مقایسه با مدل رگرسیون خطی چندمتغیره از کارایی بیشتری برای تخمین دمای آب رودخانه برخوردار است.
نتیجه‌گیری: با توجه به نتایج به‌دست آمده از این تحقیق می‌توان با دقت قابل قبولی از مدل GEP در تخمین دما رودخانه‌ها استفاده نمود. همچنین مشخص شد که علاوه بر دمای هوا که بیشترین تأثیر بر دمای آب رودخانه را دارد، متغیر دبی جریان نیز دارای تأثیر است.

کلیدواژه‌ها


عنوان مقاله [English]

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

نویسندگان [English]

  • Marzieh Keramatloo 1
  • Abdolreza Zahiri 2
  • Esmaeil Kordi 3
  • Khalil Ghorbani 4
  • Amir Ahmad Dehghani 5
1 Department of Water Engineering, graduate student, University of Agricultural Sciences and Natural Resources,Gorgan, Iran
2 Department of Water Engineering, Faculty Member, University of Agricultural Sciences and Natural Resources, Gorgan, Iran
3 -
4 Faculty Member
5 Department of Water Engineering, Facuity Member, University of Agricultural Sciences and Natural Resources, Gorgan, Iran
چکیده [English]

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.

کلیدواژه‌ها [English]

  • River water temperature
  • Modeling
  • Gene Expression Programming
  • MohammadAbad River
1.Aytek, A., and Alp, M. 2008. An application of artificial intelligence for rainfall-runoff modeling. J. Earth Syst. Sci. 117: 2. 145-155.
2.Aytek, A., and Kisi, O. 2008. A genetic approach programming to suspended sediment modeling. J. Hydrol. 351: 288-298.
3.Brown, G.W., and Krygier, J.T. 1970. Effect of clear cutting on stream temperature. Water Resources Research, 6: 1133-1139.
4.Ebrahimian, M., and Moradi, P. 2012. The destructive effects of thermal pollution on the environment. The 3rd National Con. on Environmental Planning and Management. University of Tehran. (In Persian)
5.Eby, L., Helmy, O., Holsinger, L.M., and Young, M.K. 2014. Evidence of climate-induced range contractions in bull trout salvelinus confluentus in a rocky mountain watershed, USA. PLOS ONE, 9: E98812.
6.Elliott, J.M., and Elliott, J.A. 2010. Temperature requirements of Atlantic salmon Salmo salar, brown trout Salmo trutta and Arctic charr Salvelinus alpinus: Predicting the effects of climate change. J. Fish Biol. 44: 1-25.
7.Fernando, K.A., Shamseldin, A.Y., and Abrahart, R.J. 2012. River flow forecasting using Gene Expression Programming models. 10th Int. Conf. on Hydro Informatics, HIC 2012, Hamburg, Germany.
8.Ferreira, C. 2001. Gene Expression Programming: A new adaptive algorithm for solving problems. Complex Systems, 13: 2. 87-129.
9.Ferreira, C. 2004. Gene Expression programming and the evolution of computer programs. Recent Developments in Biologically Inspired Computing, Pp: 82-103.
10.Guven, A., and Gunal, M. 2008. Genetic programming approach for prediction of local scour downstream of hydraulic structures. J. Irrig. Drain. Engin. 134: 2. 241-249.
11.Imamgholizadeh, S., Karimi Demnah, R., and Azhdari, Kh. 2016.Comparison of conventional methods for estimation of suspended sediment load of Karkheh river by Gene Expression Programming approach. Geograph. Dev. Iran. J. 45: 121-140. (In Persian)
12.Johnson, S.L., and Jones, J.A. 2000. Stream temperature response to forest harvest and debris flows in western Cascades, Oregon. Can. J. Fish. Aqua. Sci. 57: 30-39.
13.Larnier, K., Roux, H., Dartus, D., and Croze, O. 2010. Water temperature modeling in the Garonne River (France). Knowledge and Management of Aquatic Ecosystems, 398: 04.
14.Letcher, B.H., Schueller, P., Bassar, R.D., Nislow, K.H., Coombs, J.A., Sakrejda, K., Morrissey, M., Sigourney, D.B., Whiteley, A.R., OʼDonnell, M.J., and Dubreuil, T.L. 2015. Robust estimates of environmental effects on population vita rates: an integrated capture-recapture model of seasonal brook troute growth, survival and movement in a stream network. J. Anim. Ecol. 84: 337-352.
15.Pilgrim, J.M., Fang, X., and Stefan, H.G. 1998. Stream temperature correlations with air temperature in Minnesota: implications for climatic warming. J. Amer. Water Resour. Assoc. 34: 1109-1121.
16.Prats, J., Val, R., Dolz, J., and Armengol, J. 2012. Water temperature modeling in the lower Ebro river (Spain: heat fluxes, equilibrium temperature, and magnitude of alteration caused by reservoirs and thermal effluent). Water Resour. Res. 48: W05523.
17.Somers, K.A., Bernhardt, E.S., Grace, J.B., Hassett, B.A., Sudduth, E.B., Wang, S., and Urban, D.L. 2013. Streams in the urban heat island: spatial and temporal variability in temperature, Fresh Water Science, 32: 1. 309-326.
18.Van Vliet, M.T.H., Yearsley, J.R., Franssen, W.H.P., Ludwig, F., Haddeland, I., Lettenmaier, D.P., and Kabat, P. 2012. Coupled daily stream flow and water temperature modeling in large river basins. Hydrol. Earth Syst. Sci. 16: 4303-4321.
19.Zahiri, A., Dehghani, A.A., and Azamathulla, H.Md. 2015. Chapter 4. Application of gene-expression programming in hydraulics engineering. Handbook of Genetic Programming Applications, A.H. Gandomi, A.H. Alavi and C. Ryan (eds). Springer.Pp: 71-98.