پیش بینی جریان با استفاده از رویکرد تلفیقی موجک- برنامه ریزی بیان ژن و ارزیابی تاثیر پارامترهای هواشناسی بر کارایی آن

پیش‌بینی جریان رودخانه برای برنامه‌ریزی‌ و مدیریت سیستمهای منابع آب بسیار حائز اهمیت بوده و میزان دقت انجام این فرآیند در درستی پیاده‌سازی اهداف برنامه‌ریزی شده نقشی بنیادین دارد. از‌طرفی، محاسبات نرم قابلیت بالایی در مدلسازی فرآیند‌های هیدرولوژیک دارد. ازینرو، در این پژوهش، مدل ترکیبی موجکبرنامه‌ریزی بیان‌ژن در مقایسه با رویکرد منفرد آن توسعه داده شده، تا جریان روزانه رودخانه خشکرود واقع در استان گیلان، را پیش‌بینی کند. بدین منظور، علاوه بر فرآیند پیش‌پردازش دادههای هیدرومتری، تاثیر پارامترهای هواشناسی در عملکرد و کارایی مدل نیز بررسی شده است. همچنین، پیش‌پردازش با ویژگی‌های مختلف و پیش‌بینی برای چهار زمان یک، دو، سه و شش روز انجام شد. برای ارزیابی عملکرد مدلها از شاخصهای آماری ضریب همبستگی(r)، شاخص توافق(ia)، ضریب ناشساتکلیف(nse)، خطای مطلق میانگین(mae)، جذر متوسط مربعات خطا(rmse) و معیار جریان حدی(pfc) استفاده شد. نتایج نشان میدهد که استفاده از موجک برای پیش‌پردازش دادهها موجب ارتقای قابل ملاحظه کارایی مدل ترکیبی در مقایسه با مدل منفرد شده است، به گونه ایکه ضریب همبستگی دادههای ارزیابی برای زمان پیش‌بینی سه روز از 0/27 به 0/80 افزایش و همزمان خطای مطلق میانگین از 1/4 به 0/80 مترمکعب در ثانیه کاهش یافته است. از طرف دیگر، پارامترهای هواشناسی موجب شدند که مقادیر حدی در سری زمانی دادههای دبی رودخانه بخوبی پیش‌بینی شده و کارایی مدل در پیش‌بینی مقادیر مذکور به مقدار قابل ملاحظه ای ارتقا یابد. نتایج حاصل از این مطالعه بیانگر آن است که رویکرد ترکیبی موجک برنامه‌ریزی‌ بیان‌ژن در ترکیب با پارامترهای هواشناسی، میتواند با کارایی بالایی در پیش‌بینی جریان بکار رود.

Streamflow Forecasting Using Wavelet- Gene Expression Programming Hybrid Approach and Assessing the Effects of Meteorological Parameters on its Capability

Forecasting stream flow is very important for planning and managing water resources systems and its precision has a significant role in accurately implementing the planned objectives. Besides, soft computing has a significant ability in modelling hydrologic processes. Therefore, in the present study, the Hybrid WaveletGene Expression Programming model has been developed in comparison with its singular approach so that it forecasts the daily streamflow of Khoshkroud river located in Guilan province. For this purpose, in addition to the process of preprocessing hydrometric data, the effect of meteorological parameters on the model’s performance and efficiency has been studied. Also, preprocessing was performed with different properties and for four durations of one, two, three and six days. Correlation coefficient (R), index of agreement (Ig), NashSutcliffe coefficient (NSE), mean absolute error (MAE), rootmeansquare error (RMSE) and peak flow criteria(PFC) statistical indices were used to assess the models’ performances. The results show that using wavelet transform to preprocess hydrometric data will significantly improve the efficiency of the hybrid model in comparison with the singular model, such that the correlation coefficient of the validation data for three days has increased from 0.27 to 0.80 and similarly, the mean absolute error has decreased from 1.4 to 0.80 m3/Sec. On the other hand, meteorological parameters have caused the extreme values in the river’s flow rate time series to be well modelled and their efficiency in the extreme values to be significantly increased. The results obtained from this research express that the hybrid model alongside the meteorological parameters can be successfully and efficiently used in flow forecasting.