تخمین جریان روزانه رودخانه با استفاده از مدل‌های هوشمند، مطالعه موردی: رودخانه مهاباد

تخمین صحیح و دقیق جریان رودخانه می‌ تواند نقش مهمی در کاهش اثرات ناشی از خسارات سیلاب ایفا کند. در این تحقیق، از مدل برنامه‌ریزی بیان‌ ژن (gep) و شبکه بیزین (bn) برای پیش‌ بینی جریان روزانه رودخانه مهاباد واقع در حوزه آبخیز دریاچه ارومیه استفاده شد. بر این اساس، از چهار الگوی ورودی با تاخیرهای یک تا چهار روزه برای پیش‌بینی مقادیر جریان روزانه در زمان t+1 در یک دوره 23 ساله استفاده و از 75 درصد داده‌ ها به‌ منظور آموزش مدل‌ها و از 25 درصد باقی‌مانده برای مرحله آزمون استفاده شد. نتایج نشان داد که الگوی برتر در هر دو روش، مدل با مقادیر ورودی تا سه گام زمانی تاخیر می ‌باشد. همچنین، بر اساس سه شاخص ارزیابی ضریب همبستگی (r)، مجذور میانگین مربعات خطا (rmse) و ضریب نش-ساتکلیف (e) در مرحله آزمون، روش برنامه‌ ریزی بیان ژن با آماره ‌های ارزیابی 2.71=r=0.902 ،rmse و 0.812=e نسبت به روش شبکه بیزین با آماره ‌های ارزیابی 2.679=r=0.905 ،rmse و 0.817=e دارای دقت بالاتری می ‌باشد. در حالت کلی، هر دو روش دارای دقت قابل قبول و نسبتاً یکسان هستند، ولی به‌دلیل مدل ‌سازی آسان ‌تر روش شبکه بیزین این مدل می‌ تواند به‌ عنوان یک روش کارآمد در پیش ‌بینی جریان رودخانه‌ ها مورد استفاده قرار گیرد.

daily river flow estimation based on intelligent models, case study: mahabad river

the correct and accurate estimation of river flow can play an important role in reducing the effects of flood damage. in this research, gene expression programming (gep) model and bayesian network (bn) were used to predict daily flow of mahabad river in urmia lake basin. accordingly, four input models with a delay of one to four days used to estimate daily flow at time t+1 over a 23-years period and 75% of data was used to train the models and 25% of the remaining data was used for the test stage. results showed that the best model in both methods was the input pattern with three-time lags. also, based on the correlation coefficient (r), root mean square error (rmse) and nash-sutcliffe (e) coefficient in the test stage of the gep method with r=0.902, rmse=2.71(m3s-1) and e=0.812 compared to the bn method with r=0.905, rmse=2.679(m3s-1( and e=0.817 is more accurate. in general, both methods have acceptable accuracy and are they relatively similar, but because of the simpler modeling, bayesian network method can be used as an efficient method for predicting river flow.