پیش‌بینی جریان بار معلق رسوب با استفاده از برنامه‌ریزی بیان ژن (مطالعه موردی: حوضه آبریز ناورود گیلان)

ﺑﺮآورد دﺑﯽ ﺑﺎر رﺳﻮﺑﺎت ﻣﻌﻠﻖ رودﺧﺎﻧﻪﻫﺎ ﺑﻪدﻟﯿﻞ ﺗﺄﺛﯿﺮﮔﺬاری ﺑﺮ ﻃﺮاﺣﯽ و ﻣﺪﯾﺮﯾﺖ ﺳﺎزهﻫﺎی آﺑﯽ، در ﻣﻬﻨﺪﺳﯽ آب، ﻫﯿﺪروﻟﯿﮏ و ﻣﺤﯿﻂ ﻃﺒﯿﻌﯽ ﻣﻬﻢ ﻣﯽﺑﺎﺷﺪ. ﺗﺎﮐﻨﻮن ﺗﻼشﻫﺎی ﮔﻮﻧﺎﮔﻮﻧﯽ ﺟﻬﺖ ﺑﺮآورد دﻗﯿﻖ ﺑﺎر رﺳﻮﺑﺎت ﻣﻌﻠﻖ ﺗﻮﺳﻂ ﭘﮋوﻫﺸﮕﺮان اﻧﺠﺎم ﺷﺪه اﺳﺖ ﮐﻪ ﺑﺮای ﻣﺜﺎل ﻣﯽﺗﻮان ﺑﻪ ﺑﺮﻗﺮاری راﺑﻄﻪ ﺑﯿﻦ دﺑﯽ ﺟﺮﯾﺎن و دﺑﯽ رﺳﻮب اﺷﺎره ﻧﻤﻮد. ﻣﺸﮑﻞ اﯾﻦ روش ﻋﺪم ﻗﻄﻌﯿﺖ آن ﻣﯽﺑﺎﺷﺪ. از اﯾﻦرو، ﺷﻤﺎری از ﻣﺤﻘﻘﺎن ﺑﻪ روشﻫﺎی ﻫﻮﺷﻤﻨﺪ و اﻟﮕﻮرﯾﺘﻢﻫﺎی ﺗﮑﺎﻣﻠّﯽ روی آورده اﻧﺪ.در پژوهش حاضر به منظور بررسی کارآیی و دقت روش برنامه‌ریزی بیان ژن در پیش‌بینی رسوب بار معلق رودخانه ناورود در استان گیلان با استفاده از نرم‌افزار (gep)، از داده‌‌های متوسط بارندگی، میانگین دبی رواناب، متوسط دمای حداکثر، متوسط دمای حداقل و میانگین دمای سالانه حوضه، به عنوان متغیرهای ورودی و همچنین داده‌‌های رسوب بار معلق مشاهده‌‌ای در ایستگاه هیدرومتری خرجگیل اسالم، به‌عنوان متغیر خروجی در دوره آماری مشترک 20 ساله (از سال‌ آبی 75-74 لغایت 94-93) استفاده گردید. برای این کار، مقادیر رسوبات بار معلق حوضه از روش منحنی سنجه، مقادیر متوسط بارندگی از روش منحنی‌های هم‌باران با استفاده از مدل kriging در محیط نرم‌افزار gis و مقادیر سه شاخص درجه حرارت سالانه از طریق روابط گرادیان حرارتی منطقه برای سال‌های آماری مختلف برآورد گردید. جهت دست‌یابی به ساختار مناسب بین ورودی‌ها و خروجی مدل، اطلاعات 13 سال اول آماری برای آموزش برنامه و 7 سال باقی‌مانده برای صحت‌سنجی آن به کار گرفته شد و به منظور شناسایی ورودی‌های موثر، تعداد 6 الگوی مختلف بر اساس ترکیب داده‌های ورودی طراحی گردید. در نهایت، برای تعیین مناسب‌ترین رابطه جهت پیش‌بینی رسوبات حوضه، از دو شاخص معتبر جذر میانگین مربعات خطا (rmse) و ضریب همبستگی (2r) استفاده گردید. نتایج نشان داد، با ساختار متوسط بارندگی، میانگین دبی رواناب، متوسط حداکثر و میانگین دمای سالانه حوضه، ضریب همبستگی (2r) بین داده‌های محاسباتی و مشاهد‌ه‌ای در دوره صحت‌سنجی به بیشترین مقدار خود (84%) و مقدار شاخص rmse به کمترین مقدار خود (1.06) -می‌رسد. در نتیجه ساختار فوق به‌عنوان مناسب‌ترین الگوی ورودی جهت تخمین رسوبات سالانه حوضه پذیرفته شده و بر این اساس و با استفاده از زبان برنامه‌نویسی matlab و به کارگیری چهار عملگر اصلی حسابی، رابطه نهایی برای تخمین رسوب حوضه استخراج گردید.

prediction of suspended sediment load flow using gene expression programming (case study: navroud catchment area, gilan)

in order to investigate the efficiency and accuracy of the gene expression programming method in predicting the suspended load sedimentation of the navroud river in gilan province using the software (gep), from the data of average rainfall, average runoff discharge, average maximum temperature , the average minimum temperature and the average annual temperature of the basin, as input variables, as well as the observational suspended load sediment data at the kharggil aslam hydrometric station, as the output variable in the joint statistical period of 20 years (from the water year 74-75 until 93-94) was used. for this purpose, the amount of sediments of the suspended load of the basin using the gauge curve method, the average amount of rainfall using the method of precipitation curves using the kriging model in the gis software environment and the values of three annual temperature indices through the relations of the thermal gradient of the region for the statistical years it was estimated differently. in order to achieve the appropriate structure between the inputs and the output of the model, the information of the first 13 statistical years was used to train the program and the remaining 7 years were used for its verification, and in order to identify the effective inputs, 6 patterns were used. various were designed based on the combination of input data. finally, to determine the most suitable relationship for predicting basin sediments, two valid indicators of root mean square error (rmse) and correlation coefficient (2r) were used. the results showed that, with the structure of average rainfall, average runoff, average maximum and average annual temperature of the basin, the correlation coefficient (2r) between the calculated and observed data in the verification period reached its highest value (84%) and the value of the rmse index reaches its lowest value (1.06).