مدل‌سازی جریان روزانه رودخانه با استفاده از فرامدل‌های شبیه‌ساز (مطالعه موردی:رودخانه گاماسیاب)

زمینه و هدف: هدف در ابتدا بیان نمودن تفاوت ها و شناسایی3 مدل به نام های، برنامه ریزی بیان ژن (gep)، شبکه عصبی – فازی (anfis)  و شبکه بیزین (bn) است و مقایسه آنها با یکدیگر و سوال اساسی تحقیق این است که ایا فرامدل شبیه ساز برتر در این مطالعه می تواند در شرایط کمبود داده و اطلاعات، جایگزین مناسبی برای مدل های مفهومی باشد.روش بررسی: داده های مورد استفاده برای این پژوهش، داده های بارش و جریان روزانه رودخانه گاماسیاب نهاوند در یک دوره 10 ساله 1391-1381 می باشد. برای مرحله پیش بینی یا شبیه سازی از داده های سال آبی 1391-1390  استفاده شده است.یافته ها: در مرحله آموزش و با توجه به ضریب تبیین و پارامتر جذر میانگین مربعات خطا و  معیار aic، مشاهده می‌شود که در هر 3 مدل، هم در مرحله آموزش و هم در مرحله تست شاهد اختلاف بسیار اندک در مقدار این پارامتر ها هستیم و نتایج هر 3مدل تقریبا با اختلاف بسیار اندک، نزدیک به هم است و تقریبا برتری نسبی مدل gep را می توان مشاهده کرد.بحث و نتیجه گیری: نتایج بیانگر آن است که  فرامدل[1] شبیه‌ساز بیان ژن توانایی خوبی برای شبیه‌سازی و پیش بینی جریان روزانه رودخانه دارد و این فرامدل شبیه ساز، می تواند در شرایط کمبود داده و اطلاعات، جایگزین مناسبی برای مدل های مفهومی باشد. علاوه بر این سرعت اجرای مدل برنامه ریزی بیان ژن نسبت به بقیه مدل‌ها بیشتر بوده و در زمان کوتاهی قادر به ارائه نتایج بوده است.

Modeling Daily River Flow Using Simulator Meta-Models(Case study: Gamasiab River)

Background and Aim: The aim is first to express the differences and identify three models, namely, Gene Expression Programming (GEP), NeuralFuzzy Network (ANFIS), and Bayesian Network (BN), and compare them with each other. Furthermore, the research’s central question is whether the superior simulation metamodal in this study can be a suitable alternative to conceptual models in the conditions of lack of data and information.Methods: The data used for this study are the daily rainfall and flow data of the Gamasiab Nahavand River in 10 years from 2002 to 2012. For the prediction or simulation stage, the data of the blue year 20122011 have been used.Results: In the training phase and according to the coefficient of explanation and the square root of the mean squares error and the AIC criterion, it is observed that in all three models, both in the training phase and in the test phase, we see a minimal difference in the amount of these parameters. Moreover, all three models’ results are close to each other with almost a minimal difference, and almost the relative superiority of the GEP model can be seen.Discussion Conclusion: The results indicate that the simulator metamodel of gene expression has an excellent ability to simulate and predict the river’s daily flow, this simulation metamodel can be a suitable alternative to models in the absence of data and information. Be conceptual. Also, the speed of implementation of the gene expression programming model was faster than other models and was able to provide results in a short time.