این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های حفاظت آب و خاک، جلد ۲۴، شماره ۲، صفحات ۱۸۵-۲۰۱
عنوان فارسی بررسی عملکرد مدل برنامه ریزی بیان ژن با روش های پیش‌پردازش داده ها جهت مدل سازی جریان رودخانه
چکیده فارسی مقاله 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.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Performance Assessment of Gene Expression Programming Model Using Data Preprocessing Methods to Modeling River Flow
چکیده انگلیسی مقاله 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.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله اباذر سلگی |
دانشجوی دکتری مهدسی منابع آب-دانشگاه شهید چمران اهواز
سازمان اصلی تایید شده: دانشگاه شهید چمران (Shahid chamran university)

حیدر زارعی |
استادیار گروه هیدرولوژی و منابع آب-دانشگاه شهید چمران اهواز
سازمان اصلی تایید شده: دانشگاه شهید چمران (Shahid chamran university)

محمدرضا گلابی | mohammad reza
دانشجوی دکتری مهندسی منابع آب-دانشگاه شهید چمران اهواز
سازمان اصلی تایید شده: دانشگاه شهید چمران (Shahid chamran university)

نشانی اینترنتی http://jwsc.gau.ac.ir/article_3682_37cf9af5ce0839fb8b6c0cd975132204.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1379/article-1379-437932.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات