پژوهش های آبخیزداری، جلد ۳۲، شماره ۲، صفحات ۲-۱۸
عنوان فارسی ارزیابی کارکرد مدل های برنامه ریزی ژنتیک و خودهمبسته میانگین متحرک در پیش بینی آب‌دهی روزانه در آبخیز امامه
چکیده فارسی مقاله کم‌بودمنابعآبو توجه به توسعه­ی پایدار،تأمینآبرا برای همه‌ی نیازهایموجودناممکنکردهاست. از آن­جا که پیش­بینیدقیقجریان رود­هادر مدیریتمنابعآب اهمیتبسزایی دارد، آب‌دهی رود با کاربرد مدل­های برنامه‏ریزی ژنتیک و خودهمبسته‌ی میانگین متحرک در آبخیز امامه، استان تهران مدل­سازی و پیش‌بینی شد. از داده‏های درازمدت باران، دما، آب‌دهی، رطوبت نسبی و تبخیر استفاده شد. نتایج نشان داد که برنامه‏ریزی ژنتیک خطای کم­تری دارد و توانسته‌است به‌خوبی آب‌دهی مشاهده‌یی را تخمین بزند. مدل 54 با ورودی­های دما، باران، و تأخیرهای باران تا دو روز، و رطوبت‏نسبی و تبخیر و تأخیر جریان تا دو روز،بهترین مدل با خطای 0/001، 0/031، و 0/009 در مرحله­ی آموزش، و 0/001، 0/032، و 0/009 در مرحله­ی آزمایشبود. علاوه بر این، خطای مدل‌های خطی خودهمبسته‌ی میانگین متحرک بسیار بیش‌تر است، و نه‌تنها در آب‌دهی­های بیش‌تر، بل‌که در آب‌دهی­های کم همکارکرد مناسبی ندارد، و نتوانسته­است نتیجه‌ی رضایت­بخشی به‌دست دهد. استفاده از مدل برنامه­ریزی ژنتیک به‌دلیل دقت بسیار زیاد با عمل‌گرهای اصلی و داده­های به‌معیارشده توصیه می­شود. 
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی An Assessment the Performance of Genetic Programming and Auto Regresive Moving Average on the Daily Discharge Prediction (Case study: the Amameh Watershed)
چکیده انگلیسی مقاله Shortage of water resources and the growing concern about the sustainable development have made the water supply for all of the potential needs nearly impossible.As an accurate prediction of river discharge is very important in water resources management, the development of a model to predict discharge has been carried out using the genetic programming and auto regression moving average on the Amameh Watershed located in the Province of Tehran. The long-term rainfall, temperature, discharge, relative humidity, and evaporation data have been used. Satisfactorily, the results showed that genetic programming had a lower error and could estimate the observed discharge. Furthermore, the number 54 model with inputs of temperature, rain, the delay in rainfall of up to two days, relative humidity, evaporation, and the delay in discharge of up to two days were considered as the best fit model with the errors of 0.001, 0.031 and 0.009 in the training stage and 0.002 , 0.032, and 0.009 at the testing stage respectively. On the other hand, the linear auto regression moving average models showed a much higher error; they could neither predict the high discharge, nor low flow and have not been able to provide satisfactory results. Therefore, the application of a genetic programming model is recommended due toits high precision with the main operators and the standardized data.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محبوبه معتمدنیا |
دکترای علوم و مهندسی آبخیزداری

کمال کریمی زارچی |
دانشجوی کارشناسی ارشد کنترل و مدیریت بیابان، دانشکده منابع طبیعی، دانشگاه یزد

احمد نوحه گر |
استاد گروه آموزش،برنامه ریزی و مدیریت محیط زیست، دانشکده محیط زیست، دانشگاه تهران، کرج

مریم صابری اناری |
مدرس دانشگاه فنی و حرفه ای، یزد

آرش ملکیان |
دانشیار گروه احیای مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج

نشانی اینترنتی http://wmrj.areo.ir/article_119785_aa0af6592bac5590e59ede68412683c0.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1346/article-1346-1903877.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات