The Effectiveness of Genetic Planning Model in rainfall-runoff Simulation process

Journal of Water Science & Engineering

مقاله 7، دوره 7، شماره 18، اسفند 2017، صفحه 83-94   

نوع مقاله: Original Article

نویسندگان

Hamid Reza Babaali¹؛ Zohreh Ramak^{* 2}؛ Reza Sepahvand³

¹1) Phd in Aquatic Structures field-Islamic Azad University branch of Khorramabad- Khorramabad-Iran

²Responsible Author- Phd in water resource engineering- Islamic Azad University -science and research branch of Tehran- Tehran- Iran

³3) MS in Engineering and Water Resources Management- Graduated from Isfahan University of Technology-Isfahan- Iran

چکیده

The prediction of river, s discharge rate is one of the important issues in water resources engineering. This issue is very important for the planning, management, and policy making in water resources management, especially in the country like Iran, with limited water resources in line the economic and environmental development. Awareness of how the relationship between rainfall and runoff in catchments is an inseparable part of water studies. Absence of sufficient rainfall - runoff data due to the lack of appropriate hydrometric stations, reveals the importance of using indirect methods and evolutionary algorithms to predict the discharge of catchment areas more than before. In this research, a genetic programming model has been used to simulate rainfall-runoff process in the Khorramabad river basin. The result of this study suggests a genetic programming model in an explicit and accurate way to predict the flow of rivers.

کلیدواژه‌ها

Simulation؛ rainfall- runoff؛ evolutionary algorithms؛ Genetic Programming

مراجع

امام­ قلیزاده، ص.، کریمیدمنه، ر و مهدیپناه، ح. ( 1395). برآورد رواناب حوضه آبریز کسیلیان با استفاده از روش برنامه­ریزی بیان ژن، مطالعات منابع طبیعی، محیط زیست و کشاورزی، جلد 3، سال دوم- شماره 4 و 5پیاپی ( 11 و 12)، ص7-1.

امیدی، ر. ( 1393). مقایسه پیش بینی آبدهی جریان رودخانه خرم آباد با استفاده از سریهای زمانی و شبکه عصبی مصنوعی  ،گروه هیدرولوژی و منابع آب پایان نامه کارشناسی ارشد ، دانشگاه شهید چمران اهواز دانشکده مهندسی علوم آب.

داننده مهر، ع و مجدزاده طباطبایی، م. ( 1389). بررسی تأثیر توالی دبی روزانه در پیش بینی جریان رودخانه ها با استفاده از برنامه­ریزی ژنتیک، نشریه آب و خاک (علوم و صنایع کشاورزی)، جلد 24، شماره2، ص 333-325.

سلاجقه،ع.،فتحآبادی، اومهدوی،م. (۱۳۸۸ .( بررسی کارایی روشهای عصبی- فازی و مدلهای آماری در شبیه سازی فرآیند بارش- رواناب. مجله­ی منابع طبیعی ایران، نشریه مرتع و آبخیزداری ، دوره 62، شماره1، ص 80-65.

سلطانی، ع. (1389). مدلسازی بارش- رواناب با استفاده از برنامه­ریزی ژنتیک (GP) و معادلات دیفرانسیل تصادفی(SDE) در حوضه آبریز لیقوان، پایان نامه کارشناسی ارشد در رشته منابع آب،گروه مهندسی آب، دانشگاه تبریز.

فربودنام،ن.،قربانی،م. ع. واعلمی، م. (1388). پیش­بینی جریان رودخانه با استفاده از برنامه­ریزی ژنتیک  )مطالعه موردی:  رودخانه لیقوان( مجله دانش آب و خاک ، دانشگاه تبریز، دوره 19، ص123 -107 . 

فضائیلی، ح. ( 1389). استفاده از روش برنامه­ریزی ژنتیک در مدل­سازی بارش- روناب، پایان­نامه کارشناسی ارشد، گروه مهندسی آب، دانشگاه تبریز .

محمد صالحی، پ، رائینی سرجاز، م و ضیاء طبار احمدی، م. (1386). شبیه­سازی بارش - رواناب با مدل ریاضی مبتنی بر سامانه اطلاعات جغرافیایی برای حوزه آبریز امامه، مجله علوم کشاورزی و منابع طبیعی، جلد پانزدهم، شماره اول، ویژه نامه منابع طبیعی، ص 1-11.

Aytek, A. and M., Asce. (2008). An application of artificial intelligence for rainfall runoff modeling. Journal of Earth System Science, 117(2), pp: 145-155.

Aytek, A. and Kisi, O.,”A. (2007). genetic programming approach to suspended sediment modelling”, Journal of Hydrology, 351, pp: 288-298.

 

Ghorbani, M. A., Kisi, O. and M., Aalinezhad. (2010). A probe into the chaotic nature of daily streamflow time series by correlation dimension and largest Lyapunov methods. Applied Mathematical Modelling, 34, pp: 4050–4057.

Guven, A. (2009). Linear genetic programming for time-series modeling of daily flow rate. Journal of Earth System Science, 118 (2), pp: 157-173.

Harun, S., Ahmat Nor, N.I. and Kassim, A.H.M. (2002). Artificial Neural Network Model for Rainfall-Runoff Relationship, Journal Technology, Vol. 37, pp: 1–12.

Huo, Z., Feng, S., Kang, S., Huang, G., Wang, F and Guo, P. (2012). Integrated Neural Networks for Monthly River Flow Estimation in Arid Inland Basin of Northwest China, Journal of Hydrology, 420-421, pp: 159-170.

Jayawardena, A.W., Muttil, N and Fernando, T.M.K.G.(2005). Rainfall-Runoff Modeling Using Genetic Programming. International Congress on Modeling and Simulation Society of Australia and New Zealand December, pp: 1841-1847.

Khu, S.T., Liong,S.Y., Babovic,V, Madsen,H, Muttil,N. (2001). Genetic Programming and its application in real-time runoff forecasting, Journal of the American Water Resources Association, 37(2), pp: 439-451.

Koza,J.R. (1992). Genetic Programming: on the programming of computers by means of natural selection. Cambridge, MA: MIT Press, pp: 35-80.

Liong, S. Y., Gautam, T. R., Khu, S. T., Babovic, V., and Muttil, N. (2002). Genetic Programming: A New Paradigm in Rainfall- Runoff Modelling, Journal of American Water Resources Association 38(3), pp: 705-718.

Lopes, HS and Weinert, WR .(2004). EGIPSYS: an enhanced gene expression programming approach for symbolic regression problems. International Journal of Applied Mathematics and Computer Science 14(3), pp: 375-384.

Whigham,P.A and Crapper,P.F.(2001). Modelling Rainfall-Runoff using Genetic Programming ,CSIRO Land and Water, P.O. Box 1666, Canberra, A.C.T. 2601, Australia, Mathematical and Computer Modellhrg 33 (2001) ,pp:707-721.

Zahiri , A and Azamathulla, H.( 2014). Comparison between linear genetic programming and M5 tree models to predict flow discharge in compound channels. Neural Computing and Applications, 24, pp: 413-420.