تحقیقات کاربردی علوم جغرافیایی

تحقیقات کاربردی علوم جغرافیایی

کاربرد مدل های برنامه ریزی بیان ژن و ماشین بردار رگرسیونی جهت مدل سازی و پیش بینی بارش ماهانه

نویسندگان
اباذر سلگی 1
حیدر زارعی 1
مهرنوش شهنی دارابی 2
صابر علیدادی ده کهنه 3
1 دانشگاه شهید چمران اهواز
2 شرکت آب غدیر اهواز
3 سازمان آب و برق خوزستان
10.29252/jgs.18.50.91
چکیده
برآورد و پیش­بینی بارش و دستیابی به مقدار رواناب ناشی از آن، نقش اساسی و مؤثری را در مدیریت و بهره­برداری صحیح از حوضه، مدیریت سدها و مخازن، به حداقل رساندن خسارات ناشی از سیلاب، خشکسالی و مدیریت منابع آب ایفا می­کند و به همین دلیل مورد توجه هیدرولوژیست­ها می­باشد. عملکرد خوب مدل­های هوشمند باعث افزایش استفاده از آنها برای پیش­بینی پدیده­های مختلف هیدرولوژیکی شده است. لذا در پژوهش حاضر، از دو مدل هوشمند به نام­های برنامه­ریزی بیان­ژن و ماشین بردار رگرسیونی برای پیش­بینی بارش ماهانه شهرستان نهاوند استفاده شد. در این مطالعه از داده­های بارش، دما و رطوبت­نسبی ماهانه ایستگاه وراینه در یک دوره 32 ساله (1393-1362) استفاده شد. نتایج به دست آمده نشان داد که عملکرد هر دو مدل خوب و مشابه بوده (ضریب همبستگی حدود 92/0) ولی با توجه به بررسی معیارهای ارزیابی مختلف، مدل برنامه­ریزی بیان­ژن عملکرد کمی بهتر داشته است (جذر میانگین مربعات خطا به ترتیب 0478/0 و 0486/0). این در حالی است که مدل ماشین بردار رگرسیونی دارای مزیت سهولت در اجرای مدل می­باشد. به طورکلی می­توان گفت که مدل برنامه­ریزی بیان ژن برای مدل­سازی بارش ماهانه ایستگاه وراینه در شهرستان نهاوند مناسب بوده است. در پایان مقدار بارش ماهانه برای سال 1394 با مدل برنامه­ریزی بیان ژن پیش­بینی شد که نشان از کاهش مقدار بارش در سال 1394 نسبت به سال­های قبل داشت.
کلیدواژه‌ها
مدل‌سازی بارش ماهانه
برنامه‌ریزی بیان ژن
ماشین بردار رگرسیونی
شهرستان نهاوند

عنوان مقاله English

Application of Gene Expression Programming and Support Vector Regression models to Modeling and Prediction Monthly precipitation

نویسندگان English

Abazar Solgi 1
Heidar Zarei 1
1 Shahid Chamran University of Ahvaz
چکیده English

Estimating and predicting precipitation and achieving its runoff play an important role to correct management and exploitation of basins, management of dams and reservoirs, minimizing the flood damages and droughts, and water resource management, so they are considered by hydrologists. The appropriate performance of intelligent models leads researchers to use them for predicting hydrological phenomena more and more. Therefore, in this study, the Gene Expression Programming (GEP) and Support Vector Regression (SVR) models were used to model monthly precipitation of Nahavand City. In this study, precipitation, temperature, and relative humidity data were used in a 32-year period (from 1983 to 2014). The results showed that the same and good performance of both models (R2= 0.92), but according to different evaluation criteria, GEP model showed a little better performance (RMSE= 0.0478 and 0.0486), while the running GEP model is so easier than the SVM model. Totally, it can be said that GEP model had been suitable for modeling monthly precipitation of Varayeneh station in Nahavand City. Finally, the monthly precipitation was predicted the GEP which showed a decrease in precipitation in compared with previous months.

کلیدواژه‌ها English

Modeling monthly precipitation
Gene Expression Programming
Support Vector Regression
Nahavand City
Beriro, D.J., Abrahart, R.J., Paul Nathanail, C. (2013). “Comparison of genetic program-ming with neuro-fuzzy systems for predicting short-term water table depth fluctuations” by Jalal Shiri & Ozgur Kisi [Computers and Geosciences (2011) 1692–1701]. Computers & Geosciences 56: 216-220.
Cortes, C., Vapnik. V. (1995). Support-Vector Networks. Machine Learning 20: 273-295.
Fallah-Mehdipour, E., Bozorg Haddad, O., Mariño, M.A. (2013). Prediction and simula-tion of monthly groundwater levels by genetic programming. Journal of Hydro-environment Research 7(4): 253-260.
Ferreira, C. (2001). Gene expression program-ming a new adaptive algorithm for solving problems. Complex Systems 13(2): 87-129.
Ferreira, C. (2006). Gene expression program-ming: mathematical modeling by an artificial intelligence Springer-Verlag. Germany.
George, Jany., Letha, J., Jairaj, P.G . (2014). Daily Rainfall Prediction using Generalized Linear Bivariate Model- A Case Study. Procedia Technology 24: 31 – 38.
Badr, H.S., Zaitchik, B.F. (2014). Application of Statistical Models to the Prediction of Seasonal Rainfall Anomalies over the Sahel. Journal of Applied Meteorology and Climatology. 53:614-636.
Kashid, S.S., Maity, R. (2012). Prediction of monthly rainfall on homogeneous monsoon regions of India based on large scale circulation patterns using Genetic Programming. Journal of Hydrology 454–455: 26-41.
Nourani, V., Komasi, M. (2013). A geomo-rphology-based ANFIS model for multi-station modeling of rainfall–runoff process. Journal of Hydrology 490: 41-55.
Shiri, J., 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.
Shiri, J., Kisi, O., Yoon, H., Lee, K.K., Hossein Nazemi, A. (2013). Predicting groundwater level fluctuations with meteorological effect implications—A comparative study among soft computing techniques. Computers & Geosciences 56(0): 32-44.
Shoaib, M., Shamseldin, A.Y.,. Melville, B.W Khan, M.M. (2015). Runoff Forecasting using HybridWavelet Gene Expression Programming(WGEP) Approach. Journal of Hydrology 527 326-344.
Solgi, A., Nourani V., Pourhaghi, A. (2014). Forecasting Daily Precipitation Using Hybrid Model of Wavelet-Artificial Neural Network and Comparison with Adaptive Neuro Fuzzy Inference System (Case Study: Verayneh Station, Nahavand). Advances in Civil Engineering 2014: 1-12.
Solgi, A., Radmanesh, F., Pourhaghi, A.,. Bagherian Marzouni, M. (2014). Evaluation of Artificial Intelligence Systems Performance in Precipitation Forecasting. TI Journals Agriculture Science Developments 3(7): 256-264.
Sujay Raghavendra, N., Paresh Chandra, D. (2014). Support vector machine applications in the field of hydrology: A review. Applied Soft Computing 19: 372-386.
Tripathi, S., Srinivas, V.V., Nanjundiah, R. S. (2006). Downscaling of precipitation for climate change scenarios: A support vector machine approach. Journal of Hydrology 330(3–4): 621-640.