دانشگاه علوم کشاورزی و منابع طبیعی گرگان

 آمار

تعداد نشریات13
تعداد شماره‌ها641
تعداد مقالات6,678
تعداد مشاهده مقاله9,127,608
تعداد دریافت فایل اصل مقاله8,582,892
سلگی, اباذر, زارعی, حیدر, گلابی, محمدرضا. (1396). بررسی عملکرد مدل برنامه ریزی بیان ژن با روش های پیش‌پردازش داده ها جهت مدل سازی جریان رودخانه. , 24(2), 185-201. doi: 10.22069/jwfst.2017.11353.2573
اباذر سلگی; حیدر زارعی; محمدرضا گلابی. "بررسی عملکرد مدل برنامه ریزی بیان ژن با روش های پیش‌پردازش داده ها جهت مدل سازی جریان رودخانه". , 24, 2, 1396, 185-201. doi: 10.22069/jwfst.2017.11353.2573
سلگی, اباذر, زارعی, حیدر, گلابی, محمدرضا. (1396). 'بررسی عملکرد مدل برنامه ریزی بیان ژن با روش های پیش‌پردازش داده ها جهت مدل سازی جریان رودخانه', , 24(2), pp. 185-201. doi: 10.22069/jwfst.2017.11353.2573
سلگی, اباذر, زارعی, حیدر, گلابی, محمدرضا. بررسی عملکرد مدل برنامه ریزی بیان ژن با روش های پیش‌پردازش داده ها جهت مدل سازی جریان رودخانه. , 1396; 24(2): 185-201. doi: 10.22069/jwfst.2017.11353.2573

بررسی عملکرد مدل برنامه ریزی بیان ژن با روش های پیش‌پردازش داده ها جهت مدل سازی جریان رودخانه

مجله پژوهش‌های حفاظت آب و خاک
مقاله 10، دوره 24، شماره 2، خرداد 1396، صفحه 185-201    اصل مقاله (974.73 K)
نوع مقاله: مقاله کامل علمی پژوهشی
شناسه دیجیتال (DOI): 10.22069/jwfst.2017.11353.2573
نویسندگان
اباذر سلگی* 1؛ حیدر زارعی2؛ محمدرضا گلابی3
1دانشجوی دکتری مهدسی منابع آب-دانشگاه شهید چمران اهواز
2استادیار گروه هیدرولوژی و منابع آب-دانشگاه شهید چمران اهواز
3دانشجوی دکتری مهندسی منابع آب-دانشگاه شهید چمران اهواز
چکیده
سابقه و هدف: نیاز روزافزون به آب سبب گردیده است که برنامه‌ریزی‌های مدیریتی به‌منظور کنترل مصرف آب در آینده از اهمیت بیشتری برخوردار باشد. با پیش‌بینی جریان رودخانه‌ها علاوه بر مدیریت بهره‌برداری از منابع آب، می‌توان حوادث طبیعی نظیر سیل و خشکسالی را نیز پیش‌بینی و مهار نمود. به همین دلیل برآورد صحیح و دقیق جریان رودخانه با استفاده از مدل‌های مختلف یکی از موضوعاتی است که در منابع آب مورد بررسی پژوهشگران می‌باشد. مدل‌های هوشمند جهت پیش بینی جریان رودخانه توسط پژوهشگران مختلف به کار رفته‌اند. یکی از این مدل‌ها که عملکرد خوبی از خود نشان داده است مدل برنامه‌ریزی بیان ژن می‌باشد. اخیراً شیوه استفاده از مدل‌های هوشمند به صورت ترکیبی مورد پذیرش قرار گرفته است که جهت انجام این کار معمولاً از تبدیل موجک استفاده می‌شود.
مواد و روش‌ها : در این مطالعه از مدل برنامه‌ریزی بیان ژن(GEP) برای مدل‌سازی جریان در مقیاس‌های روزانه و ماهانه در رودخانه گاماسیاب استفاده شد. برای این منظور از داده‌های بارش، دما، تبخیر و جریان رودخانه گاماسیاب در ایستگاه وراینه با یک دوره آماری 43 ساله (1390-1348) استفاده شد. برای افزایش عملکرد مدل از دو روش پیش‌پردازش داده‌ها یعنی تبدیل موجک(Wavelet Transform) و تجزیه به مؤلفه‌های اصلی(PCA) استفاده شد. بدین‌صورت که سیگنال اولیه هر یک از پارامترهای ورودی با استفاده از تبدیل موجک تجزیه شد. سپس برای مشخص کردن زیرسیگنال‌های مهم از روش تجزیه به مؤلفه‌های اصلی استفاده شده و زیرسیگنال‌های مهم به عنوان ورودی به مدل‌ برنامه‌ریزی بیان ژن وارد شد تا مدل‌ ترکیبی برنامه‌ریزی بیان ژن-موجک(WGEP) حاصل گردید.
یافته‌ها: بررسی ساختارهای مختلف برای مدل برنامه‌ریزی بیان ژن نشان داد که عملکرد مدل در دوره روزانه خوب بوده ولی در دوره ماهانه عملکرد کاهش یافته است. مقایسه مدل ترکیبی برنامه‌ریزی بیان ژن-موجک با مدل برنامه‌ریزی بیان ژن نشان داد که عملکرد مدل ترکیبی در هر دو دوره زمانی روزانه و ماهانه از مدل ساده بهتر بوده است. دلیل این امر به خاطر پیش پردازشی است که روی داده‌ها پیاده شده بود. این در حالی است که نتایج مدل ترکیبی در دوره روزانه حدود 4 درصد و در دوره ماهانه 23 درصد ضریب تعیین مدل را افزایش داد. همچنین با توجه به تعداد زیاد زیرسیگنال‌ها به کار بردن روش PCA باعث افزایش سرعت اجرای برنامه شد.
نتیجه‌گیری: استفاده از روش‌های پیش‌پردازش داده‌ها باعث افزایش عملکرد مدل‌ شده است و استفاده از روشPCA به عنوان یک ابزار کمکی برای تبدیل موجک موجب افزایش سرعت و دقت مدل شده است. به طور کلی نتایج این مطالعه نشان داد که می‌توان از ترکیب مدل برنامه‌ریزی بیان ژن با تبدیل موجک به عنوان یک ابزار مناسب برای مدل‌سازی و پیش‌بینی جریان رودخانه گاماسیاب بهره برد.
کلیدواژه‌ها
"برنامه ریزی بیان ژن"؛ "پیش پردازش داده ها"؛ "تبدیل موجک"؛ "روش PCA"؛ "مدل سازی جریان"
مراجع
1.Cattel, R.B. 1996. The scree test for the number of the factor. Multivariate Behavioral
Research. 1: 245-276.
2.Danandehmehr, A., and Majdzadeh Tabatabai, M.R. 2010. I Prediction of Daily Discharge
Trend of River Flow Based on Genetic Programming. J. Water Soil (Iran). 24: 2. 325-333.
(In Persian)
3.Demyanov, V., Soltani, S., Kanevski, M., Conu, S., Maignan, M., Savelieva, E., Timonin, V.,
and Pisaren, K.V. 2001. Wavelet analysis residual kriging Vs. neural network residual
kriging. Stochastic Env. Res. Risk Ass. 15: 18-32.
4.Ferreira, C. 2001. Gene Expression Programming: a New Adaptive Algorithm for Solving
Problem. Complex Systems. 13: 87-129.
5.Hutcheson, G., and Nick, S. 1999. The multivariate social scientist: Introductory statistics
using generalized linear models. Thousand Oaks, CA, Sage Publications.
6.Jayawardena, A.W., Xu, P., and Tsang, F.L.L. 2004. Rainfall predication by wavelet
decomposition. Proceedings of the 2nd Asia Pacific Association of Hydrology and Water
Resources Conference, volume II, 5-8, July 2004, Singapore, Pp: 11-19.
7.Karimi, S., Shiri, J., Kisi, O., and Shiri, A.A. 2015. Short-term and long-term streamflow
prediction by using 'wavelet–gene expression' programming approach. ISH J. Hydraul.
Engin. Pp: 1-15.
8.Kisi, O., Shiri, J., and Nazemi, A.H. 2011. A Wavelet-Genetic Programming Model for Predicting
Short-Term and Long-Term Air Temperatures. J. Civil Engin. Urbanism. 1: 1. 25-37.
9.Mallat, S.G. 1998. A wavelet tour of signal processing, San Diego.
10.Nakken, M. 1999. Wavelet analysis of rainfall–runoff variability isolating climatic from
anthropogenic patterns. Environmental Modelling & Software. 14: 4. 283-295.
11.Nourani, V., Hosseini Baghanam, A., Adamowski, J., and Kisi, O. 2014. Applications of
hybrid Wavelet-Artificial Intelligence models in hydrology, A review. J. Hydrol. 514: 358-377.
12.Nourani, V., Komasi, M., and Mano, A. 2009. A Multivariate ANN-Wavelet Approach for
Rainfall–Runoff Modeling. Water Resour. Manage. 23: 2877-2894.
13.Riad, S., Mania, J., Bouchaou, L., and Najjar, Y. 2004. Rainfall-runoff model usingan artificial
neural network approach. Mathematical and Computer Modelling. 40: 7-8. 839-846.
14.Shafaei, M., Fakheri Fard, A., Darbandi, S., and Ghorbani, M.A. 2014. Prediction Daily
Flow of Vanyar Station Using ANN and Wavelet Hybrid Procedure. J. Irrig. Water Engin.
4: 24. 113-129. (In Persian)
15.Shiri, J., and Kişi, Ö. 2011. Comparison of genetic programming with neuro-fuzzy
systems for predicting short-term water table depth fluctuations. Computers & Geosciences.
37: 10. 1692-1701.
16.Shoaib, M., Shamseldin, A.Y., Melville, B.W., and Khan, M.M. 2015. Runoff Forecasting
using HybridWavelet Gene Expression Programming (WGEP) Approach. J. Hydrol.
527: 326-344.
17.Solgi, A. 2014. Stream flow forecasting using combined Neural Network Wavelet model and
comparsion with Adaptive Neuro Fuzzy Inference System and Artificial Neural Network
methods (Case study: Gamasyab River, Nahavand). M.Sc. Thesis, Shahid Chamran
University of Ahvaz, Iran, 164p. (In Persian)

آمار
تعداد مشاهده مقاله: 1,395
تعداد دریافت فایل اصل مقاله: 1,264


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب