ارزیابی کارکرد مدل های برنامه ریزی ژنتیک و خودهمبسته میانگین متحرک در پیش بینی آب‌دهی روزانه در آبخیز امامه

کم‌بودمنابع آب و توجه به توسعه ی پایدار،تامین آبرا برای همه‌ی نیازهای موجود ناممکن کرده است. از آن جا که پیش بینیدقیقجریان رود هادر مدیریت منابع آب اهمیت بسزایی دارد، آب‌دهی رود با کاربرد مدل های برنامه‏ریزی ژنتیک و خودهمبسته‌ی میانگین متحرک در آبخیز امامه، استان تهران مدل سازی و پیش‌بینی شد. از داده‏های درازمدت باران، دما، آب‌دهی، رطوبت نسبی و تبخیر استفاده شد. نتایج نشان داد که برنامه‏ریزی ژنتیک خطای کم تری دارد و توانسته‌است به‌خوبی آب‌دهی مشاهده‌یی را تخمین بزند. مدل 54 با ورودی های دما، باران، و تاخیرهای باران تا دو روز، و رطوبت‏نسبی و تبخیر و تاخیر جریان تا دو روز،بهترین مدل با خطای 0/001، 0/031، و 0/009 در مرحله ی آموزش، و 0/001، 0/032، و 0/009 در مرحله ی آزمایشبود. علاوه بر این، خطای مدل‌های خطی خودهمبسته‌ی میانگین متحرک بسیار بیش‌تر است، و نه‌تنها در آب‌دهی های بیش‌تر، بل‌که در آب‌دهی های کم همکارکرد مناسبی ندارد، و نتوانسته است نتیجه‌ی رضایت بخشی به‌دست دهد. استفاده از مدل برنامه ریزی ژنتیک به‌دلیل دقت بسیار زیاد با عمل‌گرهای اصلی و داده های به‌معیارشده توصیه می شود.

An Assessment the Performance of Genetic Programming and Auto Regresive Moving Average on the Daily Discharge Prediction(Case study: the Amameh Watershed)

Shortage of water resources and the growing concern about the sustainable development have made the water supply for all of the potential needs nearly impossible.As an accurate prediction of river discharge is very important in water resources management, the development of a model to predict discharge has been carried out using the genetic programming and auto regression moving average on the Amameh Watershed located in the Province of Tehran. The longterm rainfall, temperature, discharge, relative humidity, and evaporation data have been used. Satisfactorily, the results showed that genetic programming had a lower error and could estimate the observed discharge. Furthermore, the number 54 model with inputs of temperature, rain, the delay in rainfall of up to two days, relative humidity, evaporation, and the delay in discharge of up to two days were considered as the best fit model with the errors of 0.001, 0.031 and 0.009 in the training stage and 0.002 , 0.032, and 0.009 at the testing stage respectively. On the other hand, the linear auto regression moving average models showed a much higher error; they could neither predict the high discharge, nor low flow and have not been able to provide satisfactory results. Therefore, the application of a genetic programming model is recommended due toits high precision with the main operators and the standardized data.