ارزیابی مدل شبکه عصبی توسعه یافته با فیلتر کالمن و برنامه‌ریزی بیان ژن در مدل‌سازی بارش

شبیه‌سازی فرآیند بارش-رواناب به عنوان مهمترین گام در مطالعات مهندسی آب و مدیریت منابع آب است. برنامه‌ریزی بهره‌برداری از منابع آبهای سطحی و زیرزمینی، ساماندهی رودخانه‌ها و هشدار سیل نیاز به پیش‌بینی آبدهی رودخانه و رواناب حوزه آبخیز دارد. در مطالعه حاضر به منظور مدل‌سازی بارش-رواناب از روش شبکه عصبی توسعه یافته با فیلتر کالمن (ekfnn) استفاده شد و سپس نتایج با روش برنامه‌ریزی بیان ژن (gep) که در اکثر مطالعات اخیر عملکرد خوبی از خود در مدل‌سازی بارش-رواناب نشان داده بود، مقایسه گردید. داده‌های مورد استفاده در این مطالعه بارش و رواناب روزانه ایستگاه‌های باران‌سنجی و آب‌سنجی دشت ملایر که شامل ایستگاه‌های پیهان، مرویل و نامیله است در طول دوره آماری 1380 تا 1392 می‌باشد. نتایج نشانگر برتری مدل ekfnnنسبت به مدل‌ دیگر در مدل‌سازی جریان روزانه رودخانه در دشت ملایر داشت. علاوه بر این سرعت اجرای مدل برنامه‌ریزی بیان ژن بیشتر بود و در زمان کوتاهی قادر به ارائه نتایج بود. در نهایت مدل ekfnn به عنوان مدل برتر برای دشت ملایر انتخاب شد.

Evaluation of Extended Kalman Filter-based Neural Network (EKFNN) model and Gene Expression Planning in Rainfall-Runoff Modelin

Simulation of the rainfallrunoff process is the most important step in water engineering and water resource management studies. Exploitation of surface water and underground water resources, river management and flood warning requires prediction of river and runoff discharges of the watershed. In this study, Extended Kalman Filterbased Neural Network (EKFNN) method was used for rainfallrunoff modelling. Then, the results were compared with the Gene Expression Planning method, which showed good performance in rainfallrunoff modelling in most recent studies. The data used in this study is related to daily runoff and rainfall of the rain gauge and hydrometric stations of Malayer plain which includes Peyhan, Marvil and Namyleh stations, during the period of 2001 to 2013. The results indicated that the EKFNN model was superior to GEP model in daily river flow modelling in Malayer plain. In addition, the speed of implementation of the Gene Expression Planning model was greater and was able to present results in a short time. Finally, EKFNN model was selected as the superior model for Malayer plain.