مقایسه روش‌های برنامه‌ریزی بیان ژن و رگرسیون‌های پارامتریک و ناپارامتریک در پیش‌بینی دبی میانگین روزانه رودخانه کارون (مطالعه موردی: ایستگاه هیدرومتری ملاثانی)

امروزه، پیش‏بینی جریان رودخانه ‏ها از مباحث مهم در هیدرولوژی و منابع آب است که می‏توان از نتایج الگوبندی جریان رودخانه در مدیریت منابع آب، مدیریت سازه‌های آبی و پیش‌بینی سیل استفاده کرد. در این تحقیق، عملکرد مدل برنامه‏ ریزی بیان ژن (gep)، رگرسیون پارامتریک خطی (lr)، رگرسیون پارامتریک غیرخطی (nlr) و همچنین روش ناپارامتریک k- نزدیک ترین همسایگی (k-nn)، در پیش‏بینی میانگین دبی روزانه رودخانه کارون در محل ایستگاه هیدرومتری ملاثانی طی دوره آماری 1346-96 مورد ارزیابی قرار گرفته است. ترکیب های مختلفی از داده‌های ثبت شده به‌عنوان الگوی ورودی برای پیش‌بینی دبی جریان استفاده شد. نتایج به‌دست آمده حاکی از عملکرد بهتر مدل برنامه‌ریزی بیان ژن با ضریب تبیین (0/827= r^2)، جذر میانگین مربعات خطا (59/45=  rmse) و میانگین خطای مطلق (mae=26/64) در مرحله صحت‌سنجی برای پیش‏بینی دبی روزانه رودخانه کارون در ایستگاه ملاثانی با تاخیر 5 روز، در مقایسه با روش ‏های nlr ، lr و k-nn بوده است. همچنین، ارزیابی عملکرد مدل‌ها در پیش‌بینی مقادیر حداکثر آبدهی جریان نشان داد که همه مدل‌ها میزان جریان را در بیشتر موارد کمتر از مقدار مشاهداتی تخمین زده‌اند. 

Comparison of Gene Expression Programming (GEP) and Parametric and Non-parametric Regression Methods in the Prediction of the Mean Daily Discharge of Karun River (A case Study: Mollasani Hydrometric Station)

Nowadays, the prediction of river discharge is one of the important issues in hydrology and water resources; the results of daily river discharge pattern could be used in the management of water resources and hydraulic structures and flood prediction. In this research, Gene Expression Programming (GEP), parametric Linear Regression (LR), parametric Nonlinear Regression (NLR) and nonparametric K Nearest Neighbor (KNN) were used to predict the average daily discharge of Karun River in Mollasani hydrometric station for the statistical period of 19672017. Different combinations of the recorded data were used as the input pattern to predict the mean daily river discharge. The obtained esults  indicated that GEP, with R2= 0.827, RMSE= 59.45 and MAE= 26.64, had a  better performance, as compared to LR, NLR and KNN methods, at the  validation stage for daily Karun River discharge prediction with 5day lag, at the Mollasani station. Also, the performance of the models in the maximum discharge prediction showed that all models underestimated the flow discharge in most cases.