به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

genetic algorithm

در نشریات گروه آبخیزداری، بیابان، محیط زیست، مرتع
تکرار جستجوی کلیدواژه genetic algorithm در نشریات گروه کشاورزی
  • محمد محمدی هاشمی، بهرام ثقفیان*، محمود ذاکری نیری، محسن نجارچی
    مقدمه و هدف

    با توجه به کاربرد پاسخ آب شناختی آبخیز، روش های مختلفی برای تعیین این پاسخ انجام شده است و نتایج آن با توجه به داده های استفاده شده تنوع دقت و صحت زیادی داشته است. با بررسی و جمع بندی نتایج پژوهش های انجام شده در بحث مدل سازی بارش-رواناب و به ویژه روش زمان-مساحت، مشخص شد که در اغلب این پژوهش ها، از مفهوم زمان تمرکز آبخیز بهره گرفته شده است که در اکثر رابطه های تعیین اندازه ی آن، از خصوصیات فیزیکی آبخیز استفاده شده است و وابستگی زمان تمرکز به شرایط بارش بررسی نشده است. از این رو، این پژوهش با هدف ارزیابی این روش ها با بهره گیری از روش موج جنبشی در بستر GIS، روش HEC-1 و روش بهینه سازی با استفاده از دستورالعمل ژنتیک، در یک آبخیز آزمایشگاهی وی-شکل انجام شد.

    مواد و روش ها

    در این پژوهش به منظور مدل سازی بارش-رواناب از داده های مشاهده ای موجود در آبخیز آزمایشگاهی وی-شکل آزمایشگاه دانشگاه ایلینویز استفاده شد. آبخیز مطالعه شده، با سطح نفوذناپذیر از جنس آلومینیوم و دو صفحه ی جانبی همسان با شیب یک طرفه به سمت کانال با اندازه ی ثابت 1% بود. افزون بر این، یک کانال میانی هم با شیب یک طرفه به سمت خروجی آبخیز با اندازه ی ثابت 1% داشت. اندازه ی زبری مانینگ در این آبخیز، بر پایه ی سعی و خطا 0/014 تعیین شد.

    نتایج و بحث

    پس از تهیه نمودار زمان-مساحت آبخیز با استفاده از هریک از روش های مزبور، آب نگار خروجی آبخیز متناظر با این روش ها تعیین شد. سپس نتایج به دست آمده با داده های مشاهده ای مقایسه شد و اجزای مختلف آب نگار های محاسبه ای نیز بررسی شد. نتایج نشان داد که عملکرد دستورالعمل ژنتیک در تعیین زمان اوج آب نگار با 15% خطای نسبی، از عملکرد مدل های موج جنبشی و HEC-1 بهتر بود. همچنین مدل دستورالعمل ژنتیک با میانگین شاخص نش-ساتکلیف 0/968 و میانگین شاخص همبستگی 0/983 بیشترین تطابق را با آب نگار های مشاهده ای داشت. همچنین با برازش منحنی با نتایج مدل سازی، معادله ی تعیین زمان تعادل آبخیز نسبت به شدت بارش به دست آمد که ضریب تعیین آن 0/999 بود. این معادله بیان گر رابطه ی عکس زمان تعادل با شدت بارش (با توان 0/33) است یعنی با دو برابر شدن شدت بارش، زمان تعادل 20% کاهش می یابد. درنهایت ضریب معادله ی تعیین زمان تعادل برای این آبخیز 495/2 به دست آمد که به ازای هر شدت بارش، زمان تعادل متناظر آن با دقت زیاد قابل محاسبه است.

    نتیجه گیری و پیشنهادها

    در این پژوهش در شرایط آبخیز آزمایشگاهی مدل سازی بارش-رواناب با سه دسته رخداد و سه دسته مدت بارش گوناگون که هر دسته رخداد با چهار اندازه ی مختلف شدت بارش بود انجام شد. نمودارهای آب نگار متناظر با هر رخداد به دست آمد. با بررسی نمودارهای محاسبه ای و مقایسه با نمودارهای مشاهده ای، مشخص شد عملکرد سه مدل در تعیین حداکثر آب دهی، خطای نسبی یک تا دو درصد بود ولی در تعیین زمان رسیدن به اوج آب نگار، مدل های موج جنبشی و HEC-1، با خطای نسبی 44% ، عملکرد متوسط داشت. درنهایت با بهره گیری از دو شاخص همبستگی و نش-ساتکلیف، مشخص شد که در روش دستورالعمل ژنتیک، آب نگار محاسبه ای به اندازه های مشاهده ای نزدیک تر بودند و تطابق بیشتری با داده های مشاهده ای داشتند. شایان ذکر است در این آبخیز آزمایشگاهی وابستگی زمان تعادل به شدت بارش در شرایط نفوذناپذیری تایید شد. پیشنهاد می شود در صورت اعمال شرایط نفوذ عمقی و یا تغییر در اندازه ی زبری سطح و تعیین اندازه ی وابستگی تعیین و بررسی شود.

    کلید واژگان: آبخیز وی-شکل، بهینه سازی، پاسخ آب شناختی، دستورالعمل ژنتیک، مدل HEC-1، موج جنبشی
    Mohammad Mohammadi Hashemi, Bahram Saghafian *, Mahmoud Zakeri Niri, Mohsen Najarchi
    Introduction and Objective

    Given the application of hydrological response in a watershed, various methods have been used to determine this response and the results have shown a high degree of accuracy and accuracy variability depending on the data used. By reviewing and summarizing the results of research carried out in the modeling of rainfall-runoff, particularly the time-area method, it was found that in most of these studies, the concept of watershed time concentration was used, which in most of the formulas used, the physical properties of the watershed were used and the dependence of time concentration on rainfall conditions was not studied. Therefore, this study was conducted to evaluate these methods using the kinematic wave method in the GIS environment, the HEC-1 method, and optimization methods using genetic algorithms in a V-shaped experimental watershed.

    Materials and Methods

    Observational data available in the V-shaped experimental watershed of the University of Illinois was used for rainfall-runoff modeling. The studied watershed had an impermeable aluminum surface and two uniform side sheets with a one-sided slope towards the channel with a constant value of 1%. In addition, a central channel with a one-sided slope towards the outlet of the watershed with a constant value of 1% was present. The roughness coefficient in this watershed was determined based on trial and error at 0.014.

    Results and Discussion

    After preparing the time-area histogram of the watershed using each of the mentioned methods, the corresponding outflow hydrographs of the watershed were determined. Then, the results were compared with observational data, and various components of the computational hydrographs were also examined. The results showed that the performance of the genetic algorithm in determining the peak time of the hydrograph with a 15% relative error was better than the performance of the kinematic wave and HEC-1 models. Additionally, the genetic algorithm model had the highest correlation coefficient with observational hydrographs with an average Nash-Sutcliffe Index of 0.968 and an average correlation coefficient of 0.983. Furthermore, by fitting the curve to the modeling results, an equation was obtained to determine the equilibrium time of the watershed relative to rainfall intensity, with a determination coefficient of 0.999. This equation expresses the inverse relationship between equilibrium time and rainfall intensity (with a power of 0.33), i.e., doubling the rainfall intensity reduces the equilibrium time by 20%. Finally, the coefficient of the equation determining the equilibrium time for this watershed was found to be 495.2, and for each rainfall intensity, its corresponding equilibrium time can be calculated with high accuracy.

    Conclusion and Suggestions

    In this study, under experimental watershed conditions, rainfall-runoff modeling was performed with three categories of events and three categories of different rainfall durations, each event category having four different rainfall intensity sizes. Corresponding hydrographs were obtained for each event by examining the computational hydrographs and comparing them with observational hydrographs, and it was found that the three models had one to two percent relative error in determining the maximum runoff, but in determining the time to reach the hydrograph peak, the kinematic wave and HEC-1 models had an average error of 44%. Finally, using the correlation and Nash-Sutcliffe coefficients, it was determined that the computational hydrographs produced by the genetic algorithm method were closer to the observational hydrographs and had a higher degree of correlation. It is worth mentioning that in this experimental watershed, the dependence of equilibrium time on rainfall intensity in impermeable conditions was confirmed. It is recommended that the effect of infiltration or changes in surface roughness and the determination of the dependence size be investigated.

    Keywords: Genetic algorithm, HEC-1 model, Hydrological response, kinematic wave, optimization, V-shaped watershed
  • اشکان بنی خدمت*، حسین صالحی، سعید گلیان، فرشاد کوهیان افضل، نازنین عزتی بورستان
    مقدمه

    یکی از راه های برآورد مقدار رواناب حاصل از بارش، استفاده از مدل های هیدرولوژیکی است. مدل SWAT، یکی از ابزارهای پرکاربرد در سطح حوزه آبخیز در شبیه سازی کمیت و کیفیت آب است. این مدل، یک مدل مفهومی است که قادر است حوضه های بزرگ با سناریوهای مدیریتی مختلف را شبیه سازی کند. از جمله چالش های مهم مدل مذکور و بسیاری از مدل های هیدرولوژیکی، واسنجی پارامترهای موثر و حساس در برآورد مقدار رواناب است. به طور کلی، روش های واسنجی را می توان به دو گروه دستی و خودکار تقسیم کرد. واسنجی یک مدل به صورت دستی، نیازمند این است که مدل ساز، شناخت خوبی نسبت به فیزیک مد ل داشته باشد. از سویی، به دلیل وقت گیر بودن و پیچیدگی های موجود و همچنین، توسعه الگوریتم های جدید بهینه سازی، امروزه واسنجی خودکار بیشتر مورد توجه قرار گرفته است. واسنجی خودکار بر پایه سه مولفه تابع هدف، الگوریتم بهینه سازی و اطلاعات ایستگاه ها بنا شده است. استفاده از یک تابع هدف در واسنجی یک مدل ممکن است موجب افزایش خطا در برخی دیگر از جنبه های شبیه سازی شود و همچنین، تجربه های علمی در زمینه واسنجی تک هدفه نشان داده است که هیچ تابع هدفی هرچند با کارایی بالا، به تنهایی نمی تواند ویژگی ها و خصوصیات حوضه را به درستی نشان دهد. لذا، به کارگیری راه حل بهینه سازی مناسب به منظور بهبود نتایج واسنجی شامل استفاده از یک الگوریتم بهینه سازی مناسب با چندین تابع هدف، برای شناسایی مجموعه جواب های کارآمد است.

    مواد و روش ها

    حوزه آبخیز مورد مطالعه در غرب ایران و در استان کرمانشاه، با مساحت 5467 کیلومتر مربع، واقع شده است. کمینه و بیشینه ارتفاع آن، 1275 و 3360 متر است. متوسط بارندگی حوضه، حدود 505 میلی متر بوده است که بیشترین بارش در ماه های آبان و آذر و کمترین بارش در ماه های تیر و مرداد رخ می دهد و سه رودخانه اصلی مرک، قره سو و رازآور در این حوضه جریان دارند. در این پژوهش، مدل بارش-رواناب SWAT، با استفاده از الگوریتم NSGA-II تحت سه سناریو واسنجی شد. برای واسنجی این مدل، در سناریوی اول، از تابع هدف NSE که به جریان های بیشینه توجه دارد، استفاده شد. در سناریوی دوم، برای تمرکز بر جریان های کمینه، پس از تبدیل لگاریتمی دو سری جریان رواناب شبیه سازی شده و مشاهداتی، ضریب کارایی NSE به عنوان تابع هدف اتخاذ شد که به صورت LogNSE نمایش داده می شود. سناریوی آخر، تلفیقی از دو سناریوی اول و دوم بود. به طوری که توابع هدف غیرهمسوی NSE و LogNSE به صورت همزمان مورد استفاده قرار گرفتند.

    نتایج و بحث:

    نتایج این پژوهش، نشان داد که با توجه به مقادیر شاخص ارزیابی NSE برابر با 0.83، 0.74 و 0.83 برای سناریوهای اول تا سوم و بیش برآوردی مدل و بررسی نمودار جریان در سناریوی اول و تمایل بیشتر برای حرکت به سمت دبی های بالا، این سناریو برای برآورد جریان های بیشینه، کارآمدتر خواهد بود. همچنین، با توجه به شاخص ارزیابی LogNSE، مقادیر 0.69، 0.74 و 0.72 برای سناریوهای اول تا سوم، سناریوی دوم با تک هدف LogNSE در دبی های کمینه، عملکرد بهتری دارد. اما مدل ساخته شده با استفاده از دو تابع هدف غیرهمسو، سعی بر ایجاد توازن داشته است و عملکرد مطلوبی در تخمین همزمان رواناب های بیشینه و کمینه دارد.

    نتیجه گیری

    به طور کلی می توان گفت، در صورتی که هدف مطالعه بررسی دبی های بیشینه و کمینه، یعنی مطالعات سیلاب یا خشکسالی باشد، الگوریتم های تک هدفه عملکرد مطلوب تری خواهند داشت. در صورتی که با هدف کنترل بیلان آبی و عملکرد مطلوب یک مدل در دو سوی دبی های بیشینه و کمینه، مدلسازی انجام شود، سناریوی دو هدفه با رویکرد غیرهمسو می تواند نتیجه بهتری نسبت به الگوریتم های تک هدفه داشته باشد.

    کلید واژگان: الگوریتم ژنتیک، سناریوی دو هدفه، شبیه سازی بارش-رواناب، صحت سنجی، NSGA-II
    Ashkan Banikhedmat *, Hosein Salehi, Saeed Golian, Farshad Koohian Afzal, Nazanin Ezati Boorestan
    Introduction

    One of the methods for estimating the amount of runoff resulting from precipitation is the use of hydrological models. The SWAT model is one of the widely used tools for simulating the quantity and quality of water at the watershed level. This model is a conceptual model that is capable of simulating large watersheds with different management scenarios. One of the major challenges of this model and many other hydrological models is the calibration of effective and sensitive parameters for estimating the amount of runoff. In general, calibration methods can be divided into two groups: manual and automatic. Manual calibration of a model requires the modeler to have a good understanding of the model's physics. On the other hand, due to the time-consuming nature, existing complexities and the development of new optimization algorithms, nowadays automatic calibration has gained more attention. Automatic calibration is based on three components: the objective function, the optimization algorithm, and the station information. The use of a single objective function in model calibration may lead to an increase in error in other aspects of the simulation. Scientific experience in single-objective calibration has shown that no single objective function, even with high efficiency, can accurately represent all the characteristics and properties of a watershed. Therefore, the use of an appropriate optimization algorithm to improve calibration results includes the use of multiple objective functions to identify a set of efficient solutions.

    Materials and methods

    The study area is located in the western part of Iran, in Kermanshah Province, with an area of 5467 square kilometers. The minimum and maximum elevations in the area are 1275 and 3360 meters, respectively. The average precipitation in the watershed is about 505 mm, with the highest rainfall occurring in the months of November and Decemeber, and the lowest rainfall in the months of Julay and August. The main rivers in this watershed are Mark, Gharehsoo, and Razavar. In this study, the SWAT rainfall-runoff model was calibrated using the NSGA-II algorithm under three calibration scenarios. For model calibration, the first scenario used the NSE objective function, which focuses on maximum flows. In the second scenario, to focus on minimum flows, the logarithmic transformation of the simulated and observed streamflow series was used, and the NSE efficiency coefficient was adopted as the objective function, represented as LogNSE. The third scenario was a combination of the first and second scenarios, where the non-concordant objective functions NSE and LogNSE were used simultaneously.

    Results and discussion

    The results of this study showed that based on the NSE evaluation index values (0.83, 0.74 and 0.83 for the first to third scenarios) and the model overestimation and examination of the flow graph in the first scenario, which showed a tendency towards higher flows, this scenario would be more efficient in estimating maximum flows. Additionally, considering the LogNSE evaluation index (0.69, 0.74 and 0.72 for the first to third scenarios), the second scenario with the LogNSE single objective performed better in minimum flows. However, the model constructed using two non-concordant objective functions aimed to achieve a balance and showed satisfactory performance in simultaneously estimating maximum and minimum flows.

    Conclusion

    In general, it can be concluded that if the objective of the study is to investigate maximum and minimum flows, such as flood or drought studies, single-objective algorithms will perform better. However, if the objective is to control the water balance and achieve satisfactory performance of a model in both maximum and minimum flows, a two-objective scenario with a non-concordant approach can yield better results compared to single-objective algorithms.

    Keywords: Genetic algorithm, Simulation of Rainfall-Runoff, NSGA-II. Validation
  • رضا آشوری، سید سجاد مهدی زاده*، هومن حاجی کندی، سعید جمالی، صمد امامقلی زاده
    مقدمه و هدف

    بهره برداری بی رویه از آب های زیرزمینی در دشت دامغان موجب شده است که ضمن کاهش تراز سطح آب زیرزمینی و از بین رفتن بخشی از آبخوان و کاهش آبدهی ویژه سفره آب زیرزمینی مشکلات عدیده ای مانند فرونشست زمین در منطقه ایجاد گردد. لذا جهت کنترل برداشت از سفره آب زیرزمینی و در نتیجه کاهش افت سطح آب زیرزمینی مدل سازی ریاضی دشت دامغان جهت مدیریت بهینه بهره برداری و ارایه الگوی کشت بهینه به منظور صرفه جویی در مصرف آب با محوریت کنترل سطح آب زیرزمینی و محدود نمودن فرونشست زمین انجام گرفت.

    مواد و روش ها

    در این تحقیق ابتدا آبخوان دشت دامغان با استفاده از مدل ریاضیMODFLOW شبیه سازی گردید. سپس با در نظر گرفتن سناریوهای مختلف بهره برداری از آبخوان، با استفاده از الگوریتم ژنتیک NSGAII به بهینه سازی بهره برداری چندهدفه از منابع آب و مدیریت بهینه عرضه و تقاضای آب در بخش کشاورزی پرداخته شد. نتایج مدل بر اساس پارامترهای آماری خطا جهت پیش بینی سطح تراز آب زمینی مورد ارزیابی قرار گرفت.

    یافته ها

    نتایج این تحقیق نشان داد که مدل ریاضی MODFLOW توانسته است سطح آب زیرزمینی دشت مورد مطالعه را در شرایط پایدار و غیر پایدار در مراحل واسنجی و صحت سنجی به خوبی شبیه سازی کند. همچنین نتایج حاصل از الگوریتم شبیه سازی - بهینه سازی نشان داد که می توان با تغییر الگوی کشت و همچنین با تغییر نوع سیستم آبیاری از سنتی به آبیاری نوین و درنتیجه افزایش راندمان آبیاری (90 درصد)، مقدار میانگین افت تراز سطح آب زیرزمینی دشت مورد مطالعه را از 0/49 متر در شرایط موجود به 0/07 متر در شرایط بهینه کاهش داد. این امر موجب جبران میزان کسری مخزن از 31/90 به 5/1 میلیون مترمکعب در سال خواهد گردید.

    نتیجه گیری

    استفاده از راهکارهای مدیریتی مانند تغییر الگوی کشت، افزایش راندمان آبیاری و همچنین با کنترل آب های سطحی و تزریق آن به آب زیرزمینی می توان روند کاهش سطح آب زیرزمینی را در دشت مورد مطالعه به طور کامل مهار کرد و تامین نیاز آبی دشت را به صورت 100 درصد تامین نمود.

    کلید واژگان: الگوریتم ژنتیک، الگوی کشت بهینه، بهینه سازی چندهدفه، تراز سطح آب زیرزمینی، شبیه سازی
    Reza Ashouri, Sajad Mahdizadeh*, Homan Hajikandi, Saeid Jamali, Samad Emamgholizadeh
    Introduction and Objective

    Excessive exploitation of groundwater in Damghan plain has caused many problems such as land subsidence in the study area, along with the reduction of the groundwater level and the loss of a part of the aquifer and the reduction of the specific yield of aquifer. Therefore, in order to control the withdrawal from the aquifer and as a result to reduce the drop in the groundwater level in that plain, it was investigated. For this purpose, in this research, the mathematical modeling of Damghan Plain was done for the optimal management of exploitation and providing the optimal cultivation pattern in order to save water consumption with the focus on controlling the groundwater level and limiting land subsidence.

    Material and Methods

    In this research, Damghan plain aquifer was first simulated using MODFLOW mathematical model. Then, taking into account different scenarios of aquifer exploitation, using the NSGAII genetic algorithm, optimization of multi-objective exploitation of water resources and optimal management of water supply and demand in the agricultural sector was done. The results of the model were evaluated based on statistical error parameters to predict the ground water level.

    Results

    The results of this research showed that the MODFLOW numerical model was able to simulate the groundwater level of the studied plain well in steady and unsteady conditions in the calibration and validation stages. Also, the results of the simulation-optimization algorithm showed that by changing the cultivation pattern and also by changing the type of irrigation system from traditional to modern irrigation and as a result of increasing the irrigation efficiency (90 percent), the average drop of the groundwater level of the plain can be reduced. It reduced the groundwater level of the study area from 0.49 m in existing conditions to 0.07 m in optimal conditions. This will compensate the deficit of the aquifer from 31.90 to 5.1 million cubic meters per year.

    Conclusion

    Using management strategies such as changing the cultivation pattern, increasing irrigation efficiency, and also by controlling surface water and injecting it into groundwater, the process of reducing the groundwater level in the studied plain can be completely controlled and provided 100% of the water needs of the plain.

    Keywords: Genetic algorithm, Groundwater level, Multi-objective optimization, Optimal cultivation pattern, Simulation
  • مهدی کرمی مقدم*، عطا امینی

    در این پژوهش با استفاده از داده های میدانی، دقت روش های روابط تجربی، الگوریتم ژنتیک (GA)، حداقل مربعات ماشین بردار پشتیبان (LSSVM) و روش ترکیبی در تخمین عمق آبشستگی پایه های ساده پلها مقایسه شد. در روش GA، تعدادی از روابط تجربی اصلاح و نتایج حاصل از این روابط اصلاح شده با مقادیر واقعی آبشستگی مقایسه شد. در روش LSSVM، از طریق ورودی پارامترهای مختلف مستقل، آموزش مدل انجام و مقدار عمق آبشستگی پیش بینی شد. در روش ترکیبی، با استفاده از مدل LSSVM از ترکیب نتایج روابط مختلف منفرد، مقدار عمق آبشستگی پایه پل تخمین زده شد. نتایج نشان داد روابط اصلاح شده توسط الگوریتم ژنتیک و مدل LSSVM دقت بالاتری نسبت به روابط تجربی دارند. همچنین چنانچه تنها پارامترهای استفاده شده در روابط تجربی به عنوان پارامترهای ورودی به مدل LSSVM لحاظ شوند، روابط اصلاح شده خطای کمتری نسبت به مدل LSSVM دارند. شاخص های ارزیابی RMSE، E، R2 و NSE برای بهترین حالت روش ترکیبی در مرحله آموزش به ترتیب 4/0 متر، 49 درصد، 88/0 و 58/0 و در مرحله آزمون به ترتیب 52/0 متر، 50 درصد، 7/0 و 38/0 می باشند. در مجموع روش ترکیبی، عمق آبشستگی را با دقت بالاتری نسبت به دیگر روش ها تخمین می زند.

    کلید واژگان: آبشستگی، پایه پل، روابط تجربی، الگوریتم ژنتیک، LSSVM
    Mehdi Karami Moghadam*, Ata Amini

    One of the landscape management approaches is the construction of bridges along the rivers. On the other hand, the bridge scouring is a serious damage to river engineering as the main source of water and sustaining planet life. Accordingly, in this research, using field data, the accuracy of empirical methods, genetic algorithm (GA), least squares support vector machine (LSSVM), and combined method were compared in estimating scour depth of simple bridge piers. In the GA method, a number of empirical relationships were modified and the results of these modified relationships were compared with the measured scour values. In the LSSVM method, through the input of different independent parameters, model training was performed, and scour depth was predicted. In the combined method, using the LSSVM model from combining the results of different individual relations, the scour depth of the bridge piers was estimated. The results showed that modified relationships by genetic algorithm and LSSVM model have higher accuracy than empirical methods. Also, if only the parameters used in the empirical relationships are included as input parameters to the LSSVM model, the modified relationships have less error than the LSSVM model. The statistical evaluation criteria of RMSE, E, R2, and NSE for the best state of the combined method were 0.4 m, 49%, 0.88, and 0.58 respectively in the training stage and 0.52 m, 50%, 0.7, and 0.38 respectively in the test stage. In general, the combined method estimates scouring depth with higher accuracy than other methods.

    Keywords: Bridge Piers, Empirical Relationships, Genetic algorithm, LSSVM, Water resources
  • محمد انصاری قوجقار*، مسعود پورغلام آمیجی، شهاب عراقی نژاد، بنفشه زهرایی، سامان رضوی، علی سلاجقه

    به منظور کنترل و مدیریت صحیح طوفان های گرد و غبار، آگاهی از تغییرات زمانی- مکانی این پدیده و لزوم پیش بینی و مدل سازی آن با هدف شناخت دقیق تر رفتار طوفان های گرد و غبار نسبت به محرک های طبیعی و انسانی، امری ضروری است. با توجه به توسعه روز افزون فرامدل ها و ترکیب آن ها با الگوریتم های بهینه سازی به منظور مدل سازی و پیش بینی متغیرهای هواشناسی، در این پژوهش چهار الگوریتم بهینه سازی فراکاوشی ازدحام ذرات (PSO)، ژنتیک (GA)، کلونی مورچگان در محیط های پیوسته (ACOR) و تکاملی تفاضلی (DE) با مدل سیستم استنتاج تطبیقی فازی عصبی (ANFIS) ترکیب شد. عملکرد چهار مدل ترکیبی توسعه داده شده با مدل  ANFISبرای پیش بینی متغیرهای فراوانی روزهای همراه با طوفان گرد و غبار (FDSD) در مقیاس فصلی در استان خوزستان در جنوب غربی ایران ارزیابی شد. بدین منظور از داده های ساعتی گرد و غبار و کدهای سازمان جهانی هواشناسی در مقیاس فصلی با طول دوره آماری 40 ساله (2019-1980) در هفت ایستگاه سینوپتیک استان خوزستان استفاده شد. نتایج شاخص های نیکویی برازش در مرحله آموزش و آزمایش نشان داد که اختلاف معنی داری بین روش ANFIS و سایر مدل های ترکیبی مورد استفاده وجود ندارد. مقادیر R و RMSE برترین مدل ترکیبی (ANFIS-PSO) به ترتیب از 88/0 تا 97/0 و 10/0 تا 19/0 و در مدل ANFIS به ترتیب از 83/0 تا 94/0 و 11/0 تا 21/0 متغیر بودند. همچنین نتایج نشان داد که ترکیب الگوریتم های بهینه سازی استفاده شده با مدل ANFIS نتایج مدل را نسبت به مدل انفرادی ANFIS به صورت معنی داری بهبود نمی بخشد.

    کلید واژگان: الگوریتم ژنتیک، الگوریتم های تکاملی، مدل سازی، هوش مصنوعی، ANFIS
    Mohammad Ansari Ghojghar *, Masoud Pourgholam Amiji, Shahab Araghinejad, Banafsheh Zahraie, Saman Razavi, Ali Salajegheh

    Due to the growing development of meta-models and their combination with optimization algorithms for modeling and predicting meteorological variables, in this research four metaheuristic optimization algorithms of Particle Swarm Optimization (PSO), Genetics Algorithms (GA), Ant Colony Optimization for Continuous Domains (ACOR) and Differential Evolutionary (DE) were combined with the adaptive neural-fuzzy inference system (ANFIS) model. The performance of four combined models developed with ANFIS model to predict the Frequency variables of Dust Stormy Days (FDSD) on a seasonal scale in Khuzestan province in the southwest of Iran was evaluated. For this purpose, hourly dust data and codes of the Word Meteorological Organization were used on a seasonal scale with a statistical period of 40 years (1980-2019) in seven synoptic stations of Khuzestan province. The results of good fit indices in the training and testing phase showed that there is no significant difference between the ANFIS method and other combined models used. R and RMSE values of the best combined model (ANFIS-PSO) from 0.88 to 0.97 and 0.10 to 0.19, respectively, and in the ANFIS model from 0.83 to 0.94 and 0.11 to 21, respectively, were variable. The results also showed that the combination of optimization algorithms used with the ANFIS model does not significantly improve the results of the model compared to the individual ANFIS model.

    Keywords: ANFIS, Artificial Intelligence, Evolutionary algorithms, Genetic Algorithm, modeling
  • محمدجواد رضایی، محمدرضا رضایی، جعفر رضایی*

    در نواحی خشک و نیمه خشک، آب عمده ترین عامل محدودیت کشاورزی است. در این مناطق به دلیل کمبود جریان های سطحی، فشار عمده بر آب های زیرزمینی وارد می شود. منابع آب زیرزمینی محدوده مورد مطالعه (دشت عباس) نیز به دلیل استفاده بی رویه دچار افت شدید گردیده است. در این تحقیق، ما از چهار مدل متفاوت شبکه عصبی تکاملی شامل، شبکه عصبی پرسپترون چندلایه با الگوریتم ژنتیک (ANN-GA)، شبکه عصبی پرسپترون چندلایه با بهینه سازی ازدحام ذرات (ANN-PSO)، شبکه عصبی پرسپترون چندلایه با الگوریتم رقابت استعماری (ANN-ICA) و شبکه عصبی پرسپترون چندلایه با بهینه سازی کلونی مورچگان (ANN-ACOR) برای تخمین سطح آب زیرزمینی بر طبق جریان ورودی زیرزمینی، نفوذ موثر از بارندگی، نفوذ موثر از جریان سطحی و سیلاب، نفوذ موثر از آب برگشتی کشاورزی، جریان خروجی زیرزمینی، برداشت از آبخوان جهت کشاورزی، تبخیر از سطح آب زیرزمینی و داده های گذشته سطح آب زیرزمینی استفاده کرده ایم. ترکیب ورودی ها با استفاده از تجزیه و تحلیل خود همبستگی، خود همبستگی جزیی و همبستگی متقابل برای هر مدل آماده شده است. مدل های بهینه با تغییر پارامترهای کنترلی به دست آمده اند. بهترین دقت از بین مدل های ارایه شده برای ورودی (GWLt-1 ، GWLt-2، Qint، Qpt-1، Qrt-1، Qit-1، Qoutt-1، Qwt-1 و Qet-1) به دست آمده است. دقت میانگین مربعات خطا در فاز آزمایش برای مدل های ANN-PSO، ANN-ICA، ANN-ACOR به ترتیب برابر 1.2208، 0.9456و 1.7720 و برای مدل ANN-GA برابر 0.8739 به دست آمده است. میانگین خطای نسبی مدل ANN-GA برابر 3.6% و ضریب اطمینان آن 0.9388 است. با توجه به نتایج به دست آمده مدل ANN-GA عملکرد بهتری نسبت به سه مدل دیگر برای تخمین سطح آب زیرزمینی از خود نشان داده است.

    کلید واژگان: تغییرات آب زیرزمینی، شبکه های عصبی تکاملی، الگوریتم ژنتیک، بهینه سازی ازدحام ذرات، الگوریتم رقابت استعماری، بهینه سازی کلونی مورچگان
    MohammmadJavad Rezaei, MohammadReza Rezaei

    Abstract In dry and semi-arid areas, water is the most factor of limiter in agriculture. In these areas, due to the lack of surface flows, major pressures enter on groundwater. Groundwater resources in the studied area (Dashte-Abbas plain) also suffered a severe drop in surface water due to unplanned use. In this study, we compared four different models of evolutionary neural network, a multi-layered perceptron neural network with Genetic Algorithm (ANN-GA), a multilayered perceptron neural network with particle swarm optimization (ANN-PSO), a multilevel perceptron neural network with Imperialism competitive algorithm (ANN-ICA) and multi-layered perceptron neural network with ant colony optimization (ANN-ACOR) for estimating groundwater level according to groundwater inflow, effective penetration of rainfall, effective penetration of surface flow and flood, effective penetration of return water Agriculture, underground outflow, withdrawal from aquifer for agriculture, evaporation from groundwater level and past groundwater data Were used. groundwater level comparisons are the combination of inputs has been prepared using Auto-correlation analysis, partial Auto-correlation and cross-correlation for each model. Optimal models are obtained by changing the control parameters. The best results are obtained from the input models (GWLt-1, GWLt-2, Qint, Qpt-1, Qrt-1, Qit-1, Qoutt-1, Qwt-1, and Qet-1). The accuracy of the mean squared error in the test phase for ANN-PSO, ANN-ICA, ANN-ACOR models was 1.2208, 0.9456 and 1.7720, respectively, and for the ANN-GA model, it was 0.8739. The mean relative error of ANN-GA model is 3.6% and its determined coefficient is 0.9388. According to the results, the ANN-GA model showed better performance than the other three models for estimating groundwater level.

    Keywords: Groundwater changes, Evolutionary neural networks, Genetic algorithm, Particle Swarm Optimization, Imperialism Competition Algorithm, Ant Colony Optimization
  • محمدرضا رضایی، محمد جواد رضایی، جعفر رضایی، شهلا پایمزد*
    در نواحی خشک و نیمه خشک، به دلیل کمبود جریان های سطحی، فشار عمده بر آب های زیرزمینی وارد می شود. سطح منابع آب زیرزمینی محدوده مورد مطالعه (دشت عباس) نیز به دلیل استفاده بی رویه، دچار افت شدید شده و بیش از 30 سال است که به عنوان دشت ممنوعه اعلام گردیده است. در این تحقیق، از چهار مدل متفاوت شبکه عصبی تکاملی شامل شبکه عصبی پرسپترون چندلایه با الگوریتم ژنتیک (ANN-GA)، بهینه سازی ازدحام ذرات (ANN-PSO)، الگوریتم رقابت استعماری (ANN-ICA) و بهینه سازی کلونی مورچگان (ANN-ACOR) برای تخمین سطح آب زیرزمینی استفاده شده است. داده های مورد استفاده شامل بارش، تبخیر، متوسط دمای سالانه، نفوذ موثر و داده های گذشته سطح آب زیرزمینی برای یک دوره 22 ساله است. ترکیب ورودی ها با استفاده از تجزیه و تحلیل خودهمبستگی، خودهمبستگی جزئی و همبستگی متقابل برای هر مدل آماده شده است. مدل های بهینه با تغییر پارامترهای کنترلی به دست آمده اند. بهترین دقت از بین مدل های ارائه شده برای ورودی (GWLt-1، GWLt-2 و Pt) به دست آمده است. دقت میانگین مربع خطا برای مدل های ANN-ICA، ANN-PSO، ANN-ACOR به ترتیب 0033/0، 0039/0 و 0044/0 و برای مدل ANN-GA 0030/0 به دست آمده است. روند تغییرات سطح آب زیرزمینی دشت در مقطع زمانی 72 تا 84 روند کاهشی و از سال 85 تا 94 با ورود آب سد کرخه، روند افزایشی داشته و بیلان آب دشت مثبت شده است. با توجه به نتایج به دست آمده، مدل ANN-GA عملکرد بهتری نسبت به سه مدل دیگر برای تخمین سطح آب زیرزمینی از خود نشان داده است.
    کلید واژگان: آب زیرزمینی، ازدحام ذرات، الگوریتم ژنتیک، رقابت استعماری، شبکه های عصبی، کلونی مورچگان
    Shahla Paimozd*, Mohammad Reza Rezaei, Mohammad Javad Rezaei, Jafar Rezaei
     
    Introduction
    Groundwater is one of the main sources of drinking water, agriculture and industry. It is worth noting that groundwater is considered as reserve resources in some areas, while in other areas it may be used for supplying potable water due to their availability (Daliakopoulos et al., 2005; Nayak et al., 2006). Groundwater analysis is an essential factor in maintaining its access. Modeling and predicting the groundwater level for environmental protection, maintaining the balance of the groundwater system, controlling changes in groundwater levels and protecting the escalation of land subsidence are important. Groundwater management techniques and solutions, and control measurements by researchers and operators to address the long-term problems of land subsidence and groundwater conservation (Affandi and Watanabe 2007; Mohanty et al., 2015). The main aim of this study is to evaluate the accuracy of evolutionary neural network models in the monthly groundwater level estimation.
    Materials and methods
    In this study groundwater level, precipitation, evaporation, annual average temperature and effective influence between 1993 and 2016 were used. The purpose of this study is applying neural networks to estimate the groundwater level. To use the neural network, we must optimize the weights and biases of the network. In this research, weights and network biases were obtained using optimization algorithms such as genetic algorithm, particle swarm algorithm, Imperialist Competitive algorithm and ant colony algorithm.
    Results
    Different control parameters have been used for models, and they are compared with each other based on the mean square error and the coefficient of determination. All four models showed the best accuracy for input combinations. Comparison of the results shows that the ANN-GA model has a better performance than the other three models for groundwater level estimation. The advantages of GA are: 1) The nature of the random search of this algorithm in the problem space is in some way a parallel search. Because each of the random-generated chromosomes generated by the algorithm is considered as a new starting point to search for part of the problem-space and searches in all of them simultaneously. 2) Due to the breadth and dispersion of the points to be searched, it yields a satisfactory result in issues of great search space. 3) A kind of random search is targeted and will come from different paths to different answers. In addition, there is no limit to the search and selection of random answers. 4) Because of the competition, the answers and the selection of the best among the population, with a high probability, will reach the optimal level. 5) Its implementation is simple and does not require complex problem-solving procedures. It can be said that this algorithm may be a good candidate for hydrological modeling. Investigating the trend of groundwater level changes in the plain over a period of 22 years shows that from 1993 to 2006, due to excessive withdrawal and droughts, the level of stagnation with a steep slope has fallen. Since then, with the arrival of the water of the Karkheh Dam and the reduction of withdrawal, the groundwater level of the plain table has risen and reaches 14 meters in 2015.

    Discussion & conclusion
    Most commonly used methods for training neural networks from descending gradients using back propagation are to calculate real gradients. In recent years, some researchers have developed evolutionary techniques for estimating groundwater level changes, including genetic algorithms (Dash et al. 2010, Jalakamali and Jalakamali 2011), Imperialist competition algorithm (Tahershamsi and Sheikholeslami 2011), particle swarm optimization (Xi et al. 2012, Gaur et al. 2013) and comparing these methods with each other (Kisi et al., 2017). In addition to the above-mentioned models, the ANN-ACOR model was also used. Comparison of the results shows that the ANN-GA model has a better performance than the other three models for estimating groundwater level, which contradicts the results of (Xi, 2012) and (Gaur, 2013), and matches with the research (Jalalkamali, 2011) and (Dash, 2010).
    Keywords: Groundwater Changes, Evolutionary Neural Networks, Genetic Algorithm, Particle Swarm Optimization, Imperialism Competition Algorithm, Ant Colony Optimization, Modeling
  • آرش آذری*، میلاد اسدی، علی آرمان
    منحنی های حجم- سطح- ارتفاع سدها یکی از مهم ترین ابزارها در برنامه ریزی منابع آب و مدیریت مخزن است. روش کاهش سطح یکی از روش هایی است که برای اصلاح این منحنی ها پس از رسوب گذاری مخزن بر اساس شرایط و آمار و اطلاعات ثبت شده در مخازن خارج کشور توسعه یافته اند و استفاده از همان روش ها در مورد سدهای داخل کشور بدون بهینه سازی ضرایب، خالی از اشکال نبوده و گاهی با خطای زیاد همراه است. هدف از این تحقیق واسنجی خودکار روش کاهش سطح بر اساس سه پارامتر موثر آن با استفاده از دو الگوریتم ژنتیک و بهینه سازی ازدحام ذرات و مقایسه نتایج با مطالعات هیدروگرافی مخزن می باشد. طوری که پیش بینی روند رسوب گذاری مخزن در روش کاهش سطح با نتایج هیدروگرافی مخزن در انتهای دوره کمترین اختلاف را داشته باشد. نتایج حاکی از برتری الگوریتم ازدحام ذرات در واسنجی روش کاهش سطح داشت. در این الگوریتم با انتخاب جمعیت اولیه 50، زمان همگرایی و مقدار تابع هدف (ریشه میانگین مربعات خطای بین منحنی حجم- ارتفاع پیش بینی شده و واقعی مخزن) در آخرین تکرار به ترتیب 7/4 دقیقه و 7 میلیون مترمکعب بود که نسبت به الگوریتم ژنتیک به ترتیب 6/92 و 48 درصد بهبود را نشان می دهد. در نهایت از مقادیر بهینه پارامترهای روش کاهش سطح برای تطابق بیشتر مقادیر حجم برآوردی و واقعی مخزن سد دز استفاده شد و نتایج نشان داد مقدار خطای پیش بینی کمتر از یک درصد است که با توجه به حجم مخزن ناچیز ارزیابی می گردد. بر این اساس می توان مدل تهیه شده را بدون هیچ تغییری در پارامترهای بهینه روش کاهش سطح با وارد نمودن اطلاعات مربوط به هیدروگرافی جدید مخزن برای پیش بینی روند رسوب گذاری در سال های آتی بکار برد. این امر با توجه به اهمیت اطلاع از تغییرات حجم مفید مخزن در سال های آتی و نقش آن در برنامه ریزی منابع آب آینده بسیار مفید خواهد بود.
    کلید واژگان: الگوریتم ژنتیک، روش کاهش سطح، هیدروگرافی مخزن، بهینه سازی ازدحام ذرات
    Arash Azari Dr *, Milad Asadi, Ali Arman Dr
    Area-volume-elevation (AVE) curves of dams pose one of the most important tools for water resource planning and reservoir management. Area reduction method is one of the methods which was developed to modify these curves after reservoir sedimentation based on the conditions, statistics and information recorded in reservoirs abroad; however the application of the same methods for domestic dams without optimizing the coefficients is not bug-free, and associates sometimes with a great deal of error. This study aims to calibrate automatically the area reduction method based on its three influencing parameters using two genetic and particle swarm optimization algorithms and to compare the results with reservoir hydrographic studies. So that, predicting the trend of reservoir sedimentation in area reduction method with its hydrographic results at the end of the period has the least difference. Results indicate the excellence of particle swarm algorithm in calibrating the area reduction method. In this algorithm, by selecting the initial population of 50, the time of convergence and the value of the objective function (RMSE of the predicted volume-elevation curve and actual reservoir) in the last iteration was 4.7 minutes and 7 MCM, which it represents 92.6% and 48% improvement, respectively compared with the genetic algorithm. Finally, the optimal values of area reduction method parameters were used to match further the estimated and actual volume values of Dez dam reservoir. The results revealed that the predicted error value is less than 1%, which is assessed negligible according to the volume of the reservoir. Accordingly, the developed model can be employed without any change in the optimal parameters of the area reduction method by entering information of reservoir’s new hydrography to predict the sedimentation trend during the coming years. This will be very helpful in light of the importance of knowing the reservoir’s useful volume variation in the coming years and its role in future water resource planning.
    Keywords: Genetic algorithm, Particle swarm optimization, Area reduction method, Reservoir hydrography
  • سید محمد تاج بخش فخرآبادی، هادی معماریان خلیل آباد*، فاطمه محمدی گیوشاد
    در این پژوهش شبکه عصبی مصنوعی CANFIS و پرسپترون چندلایه (MLP) در برآورد بار رسوب حوزه زشک ابرده شهرستان شاندیز مورد ارزیابی قرار گرفت. بدین منظور سه سناریو شبیه سازی شد. به منظور شبیه سازی سناریوی S1 از ورودی دبی آب، سناریوی S2از دبی آب و باران روزانه و سناریوی S3از ورودی دبی آب، باران و دمای روزانه استفاده گردید. نتایج نشان داد سناریوی S3_CANFIS با معماری تابع عضویت بل، تابع انتقال تانژانت هایپربولیک و قانون آموزش لونبرگ مارکوارت باNSE (ضریب نش) برابر با 743/0 و AM (سنجه جمعی) برابر با 806/0 نسبت به S2_CANFIS و S1_CANFIS کارایی بهتری در پیش بینی بار رسوبی دارد. نتایج شبکه MLPحاکی از این است که سناریوی S2_MLP با معماری 5 نورون مخفی در 2 لایه پنهان، تابع انتقال سیگموئید و قانون یادگیری مومنتم با NSE برابر با 604/0 و AM برابر با 626/0 در مقایسه با سایر سناریوهای MLP بهتر عمل کرده است. ازآنجایی که شبکه MLP در مقایسه با شبکه CANFIS عملکرد ضعیف تری را در برآورد میزان رسوب نشان داد، از الگوریتم ژنتیک برای آموزش و تعیین بهینه پارامترهای معماری شبکه S2_MLP کمک گرفته شد. نتایج نشان داد که الگوریتم ژنتیک با ضریب نش-ساتلکیف برابر با 658/0 و AM برابر با 655/0 نسبت به مدل MLP عملکرد بهتری داشته است. با مقایسه شبکه عصبی CANFISبا MLP-GA مشخص می شود که CANFIS عملکرد بهتری را در پیش بینی رسوب حوزه نسبت به سایر شبکه ها داشته است. اما بااین وجود درمجموع شبکه عصبی در این حوزه کارایی کاملا رضایت بخشی را در پیش بینی دقیق بار رسوبی نشان نداد که این می تواند ناشی از کمبود داده های آموزشی (به ویژه مقادیر حدی) و غیردقیق بودن و وجود خطا در آمار حوزه باشد.
    کلید واژگان: ژنتیک، پرسپترون چندلایه، تحلیل حساسیت، دبی آب، دبی رسوب، شبکه عصبی، شبکه عصبی فازی
    Seyed Mohammad Tajbakhsh, Hadi Memarian*, Fatemeh Mohammadi
    In this study, the predictive performance of three Artificial Neural Networks (ANNs), i.e. Co-Active NeuroFuzzy Inference System (CANFIS), Multi-Layer Perceptron (MLP) and MLP integrated with Genetic Algorithm (GA) in the Zoshk-Abardeh watershed were compared. In this study, three scenarios were considered and simulated in each model. In order to simulate the scenario S1 water flow were fed into the network as input. Daily water discharge and rainfall depth were considered as the input for the scenario S2. The scenario S3 was simulated based on the water discharge, daily rainfall and temperature as the inputs. In all scenarios daily sediment load was considered as the network output. Results showed that the optimum architecture for the S3_CANFIS (as the best network) was based on the Bell membership function, hyperbolic tangent transfer function and the Levenberg-Marquardt training algorithm. The S3_CANFIS with the lower MSE and NMSE acted better as compared with other scenarios during the testing process. This scenario based on the NSE equal to 0.743 and the AM equal to 0.806 showed better performance, as well. The results also suggest that the S2_MLP with 5 neurons in two hidden layers, sigmoid transfer function and the momentum learning algorithm with NSE and AM equal to 0.604 and 0.626, respectively acted better as compared with other MLP scenarios. Since the MLP network compared with CANFIS showed weaker performance in sediment yield simulation, the GA was integrated with MLP to determine the optimal network architecture parameters for the S2_MLP. Results showed that GA-MLP with NSE and AM equal to 0.658 and 0.655, respectively led to a higher capability for sediment load simulation in comparison with MLP network. Totally, the S3_CANFIS according to the criteria MB equal to -0.043, NSE equal to 0.743 and AM equal to 0.806 showed better performances in predicting sediment yield than the other networks in the studied watershed. However, both networks did not show a satisfactory power in sediment load simulation which could be arisen from the lack of data (especially extreme data) in the training series and also the existence of systematic error in observed records.
    Keywords: Neural network, CANFIS, Multi-Layer Perceptron, Genetic Algorithm, Sensitivity analysis, Water discharge, Sediment load
  • جواد بهمنش*، مریم محمدپور، محمد مهدی باطنی
    معمولا بار رسوب رودخانه ها توسط یکی از روش های هیدرولوژیک برآورد می گردد. در این روش های آماری، با اندازه گیری آورد رودخانه و سنجش غلظت مواد معلق جریان، طی یک دوره آماری بلند مدت به استخراج روابط بین دبی و رسوب معلق رودخانه پرداخته می شود. هدف از انجام این تحقیق، مقایسه روش های مختلف برآورد بار معلق رودخانه ها و انتخاب مناسب ترین رابطه جهت برآورد میزان رسوب معلق و در نتیجه تعیین میزان دقیق تر رسوب عبوری در رودخانه های مورد مطالعه می باشد. با استفاده از آمار متناظر دبی جریان و رسوب به صورت روزانه برای چهار ایستگاه هیدرومتری در استان آذربایجان غربی، از معادله ی توانی منحنی سنجه برای مقادیر حد وسط داده ها استفاده شد. ضرائب بهینه رابطه مذکور با استفاده از روش الگوریتم ژنتیک و رگرسیون گیری معمولی در محیط نرم افزار Matlab به دست آمد. از آنجا که روش الگوریتم ژنتیک برخلاف روش رگرسیون گیری معمولی نیازی به فرضیات محدودکننده در مورد داده های اولیه ندارد، نتایج بهتری را در اعتبارسنجی نشان داد. این بهبود در ضرائب معادله منحنی سنجه رسوب باعث شد ریشه دوم میانگین مربع خطاها (RMSE)1 تا 25% کاهش یابد. بنابراین استفاده از الگوریتم ژنتیک به عنوان روشی مناسب برای برآورد منحنی سنجه رسوب در ایستگاه های مورد مطالعه پیشنهاد گردید.
    کلید واژگان: الگوریتم ژنتیک، برآورد بار رسوب معلق، روش رگرسیون گیری، منحنی سنجه، نرم افزار متلب
    Javad Bahmanesh*, Maryam Mohammadpour, Mohammad Mehdi Bateni
    The rivers sediment load is determined using hydrologic methods. In the statistical methods, by measuring the rivers discharge and suspended sediment load in a long-term period, the relationships between the suspended sediment load and discharge is obtained. The aim of this study is to compare different estimation methods of suspended load and select the most appropriate relationship for the prediction of suspended sediment load which results in more accurate prediction of sediment load discharge in the studied rivers. In this research, by using the daily river flow rate and corresponding suspended sediment discharge in four hydrometric stations in West Azerbaijan, the rating curve power equation for the middle limit of the data was used. The optimum coefficients of the mentioned equation ware obtained by using genetic algorithm (GA) and the ordinary regression, and the necessary programs ware written in Matlab® software. Since GA does not require any restrictive assumptions on input data, so it showed better performance in real data validation phase. This improvement in the rating curve coefficients causes to decrease up to 25 percent Root Mean Squared Error (RMSE). Therefore using GA as an appropriate tool was proposed to estimate the sediment rating curve for the studied stations.
    Keywords: Genetic algorithm, Matlab software, Rating curve, Regression methods, Suspended sediment load
  • الگوریتم ترکیبی شبکه عصبی و ژنتیک راهی برای برآورد دبی سیلاب / برآورد میزان تبخیر و تعرق در ارتباط با تغییرات اقلیمی در حوضه آبریز دریاچه ارومیه
    مهدی سپهری، علیرضا ایلدرومی، سید زین العابدین حسینی، حمید نوری، فاطمه محمد زاده، محمد مهدی آرتیمانی
    برآورد سریع و صحیح دبی اوج به عنوان یکی از مباحث اصلی در مدیریت منابع آبی و سیلاب نقش اساسی در طراحی سازه های آبی و اقدامات بیو مکانیکی در حوضه های آبخیز دارد. به طوریکه یک برآورد صحیح آن نقش اساسی در موفقیت کار های اجرایی دارد. در این بررسی سعی شده با استفاده از روش هوش مصنوعی(ترکیب شبکه عصبی پرسپترون چند لایه و الگوریتم ژنتیک) دبی حداکثر رودخانه یلفان در محل ایستگاه هیدرومتری و رسوب سنجی یلفان برآورد گردد. به این منظور در این دو مدل 8 متغیر که شامل بارندگی مربوط به روز وقوع سیل، بارندگی های 5 روز قبل، دبی پایه در روز وقوع سیل وCN حوضه به عنوان پارامتر های ورودی و دبی پیک به عنوان خروجی در نظر گرفته شده است. سپس با استفاده از روش هوش مصنوعی و پیش پردازش داده ها، ساختار بهینه مدل با استفاده از داده های ورودی و خروجی و با ملاک قرار دادن معیار های ارزیابی، به روش سعی و خطا تعیین گردید. در نهایت در مدل تلفیقی شبکه عصبی و الگوریتم ژنتیک، پس از تعیین مدل بهینه شبکه عصبی، نتیجه مدل به الگوریتم ژنتیک وارد گردید. نتایج نشان داد که مدل ترکیبی شبکه عصبی و الگوریتم ژنتیک عملکرد خوبی در برآورد دبی سیلاب در حوزه یلفان دارد.
    کلید واژگان: دبی اوج، شبکه عصبی، الگوریتم ژنتیک، یلفان
    Mehdi Sepehri, Ali Reza Iildoromi, Seyed Zeynalabedin Hosseini, Hamid Nori, Fateme Mohammadzade, Mohammad Mehdi Artimani
    Fast and accurate estimation in Peak flow is one of the major issues in water resources management that have basic role in the design of hydraulic structures and biological activities in drainage basins. So that a proper assessment has a basic role in the success of administrative tasks. In this paper, using artificial intelligence methods (Multi-layer Perceptron Neural Network and the mixture of Multi-layer Perceptron Neural Network with genetic algorithm) to estimate yalfan river, s peak discharge in Yalfan,s sediment and hydrometer local gaging station. For these two models, 8 variables have been considered as the inputs that includes rainfall related to day of peak flow,5 days rainfall that occurs before of the flooding day, curve number of the basin(CN) and base discharge and finally peak discharge is considered as the output. With artificial intelligence after preprocessing of the data, the optimal structure of the model is determined with input and output data by evaluation criteria and trial and error. In the final, with the mixture of artificial network and genetic algorithm model, the optimum neural network model was determined which results were an input to genetic algorithm model, this has been a good performance in runoff forecasting in Yalfan Basin.
    Keywords: Peak flow, Neural network, Genetic algorithm, Yalfan
  • H. Shekofteh, F. Ramazani
    Soil cation exchange capacity (CEC) is a parameter that represents soil fertility. Being difficult to measure, pedotransfer functions (PTFs) can be routinely applied for prediction of CEC by soil physicochemical properties that can be easily measured. This study developed the support vector regression (SVR) combined with genetic algorithm (GA) together with the adaptive network-based fuzzy inference system (ANFIS) to predict soil CEC based on 104 soil samples collected from soil surface under four different land uses. The database was randomly split into training and testing datasets in proportion of 70:30. The results showed that both models were accurate in predicting the soil CEC; however, comparison of the performance criteria indicated that SVR results (R2=0.84, RMSE=3.21 and MAPE=7.62) was more accurate than ANFIS results (R2=0.81, RMSE=3.38 and MAPE=10.31). The results of sensitivity analysis showed that two parameters had the highest effect on both models were soil organic matter and clay content.
    Keywords: Soil cation exchange capacity, Support vector regression, ANFIS, Genetic Algorithm, Soil physiochemical properties
  • Hamidreza Kamyab, Abdolrassoul Salman Mahiny, Mohammad Shahraini
    In this paper, Landscape Allocation using Genetic Algorithm (LAGA), a spatial multi-objective land use optimization software is introduced. The software helps in searching for optimal land use when multiple objectives such as suitability, area, cohesion and edge density indices are simultaneously involved. LAGA is a flexible and easy to use genetic algorithm-based software for optimizing the spatial configurations of land use. LAGA uses a steady-state genetic algorithm with one-point crossover and flip-mutation as genetic operators. A major novelty is that spatial changes are performed according to patch topology that allows to simultaneously integrate changes of different landscape elements that improves the speed and performance. Another feature of this software is that exclusion areas (i.e.: cities, roads and water bodies) can also be locked or un-locked in the optimization process. The program reads and writes maps in Arc ASCII raster format, which is supported by many GIS (e.g. ArcGIS/ArcView, GRASS, and IDRISI). LAGA has been applied in a case study to find optimum land use in the Gorgan Township. The results suggest that LAGA can be a useful tool to land use planning.
    Keywords: Genetic Algorithm, Land use Allocation Optimization, Landscape Metrics, LAGA Software
  • حمزه نور*، مهدی وفاخواه، مهنوش مقدسی
    اقدامات آبخیزداری شامل ایجاد، بهبود و حفاظت پوشش گیاهی با هدف کاهش رواناب سطحی در سطح حوزه های آبخیز صورت می گیرد. پیشنهاد اقدامات آبخیزداری در مقیاس حوزه آبخیز نیازمند توازن بین مسائل مالی و هیدرولوژیک از طریق استفاده از روش های بهینه سازی است. در این پژوهش یک سامانه پشتیبان تصمیم گیری (SWAT-GA) با هدف بهینه سازی محل اجرای اقدامات مدیریتی آبخیزداری شامل بهبود پوشش گیاهی مراتع به منظور کاهش حداقل 10، 15، 20 و 25 درصد رواناب سطحی، ایجاد شده است. این سامانه تصمیم گیری به صورت هم زمان به دنبال حداقل نمودن هزینه اجرای اقدامات پیشنهادی در حوزه آبخیز می باشد. این سامانه برای شبیه سازی رواناب و اثر اقدامات آبخیزداری در سطح حوزه آبخیز از مدل هیدرولوژیک SWAT استفاده می نماید، هم چنین در این سامانه الگوریتم ژنتیک به عنوان یک روش بهینه سازی استفاده شده است. این سامانه در حوزه آبخیز طالقان با مساحت حدود 940 کیلومتر مربع واقع در رشته کوه البرز مورد آزمون قرار گرفت. نتایج نشان داد که برای کاهش حداقل 10، 15، 20 و 25 درصد رواناب سطحی می باید در 22، 35، 48 و 62 درصد از حوزه آبخیز طالقان عملیات بیولوژیک آبخیزداری انجام داد. هم چنین حداکثر کاهش و افزایش رواناب پس از اجرای اقدامات پیشنهادی به ترتیب در فصل بهار و تابستان روی داده است. مدیران با استفاده از این ابزار پشتیبان تصمیم گیری قادرند بر اساس مقادیر هدف هیدرولوژیک گزینه بهینه اقدامات مدیریتی را انتخاب نمایند.
    کلید واژگان: الگوریتم ژنتیک، بهینه سازی توزیعی، آبخیز سد طالقان، مدیریت جامع حوزه های آبخیز
    Hamzeh Noor *, Mehdi Vafakhah, Mahnoosh Moghaddasi
    Watershed management practices (WMPs) include methods to create, enhance, and maintain vegetation to reduce surface runoff in the watershed. The implementation of WMPs at the watershed scale is an ongoing challenge that needs to take into account trade-offs between hydrological and economic objectives using optimization algorithm. This research demonstrate a methodology and decision support tool that suggests the optimal location of biological watershed management practices (including improvement rangeland cover) which minimize the cost and simultaneously reduce surface runoff to target levels cases (i.e. 10%, 15%, 20% and, 25%) at watershed scale. The decision support tool (SWAT-GA) consists of a semi-distributed hydrologic model, Soil and Water Assessment Tool (SWAT) which simulation of runoff in watershed, a genetic algorithm (GA), which serves as the optimization engine for the location of biological watershed management practices across the rangeland of the watershed. The proposed method was then applied to Taleghan watershed with an approximate area of 900 km2 that located in Alborz Mountain, Iran. Results indicate watershed management practices should use in 22%, 35%, 48% and 62% of total area of watershed to reduction 10%, 15%, 20% and 25%, respectively. The maximum decrease and increase runoff after the implementation of WMPs have been occurring in the spring and summer, respectively. Using this decision support tool, for each level of target goals, decision makers can select the optimal combination of watershed management practices.
    Keywords: Integrated Watershed Management, Optimization Methods, Genetic Algorithm, Taleghan Dam Watershed
  • ناصر گنجی خرمدل، فاطمه کیخایی
    به منظور مدیریت کارا و موثر منابع آب زیرزمینی، برای کاهش حفر چاه های نمونه برداری که پر هزینه هستند، شبکه های پایشیکه به طور مناسبی طراحی شده باشند، می توانند به عنوان یک گزینه در نظر گرفته شوند. با استفاده از روش های بهینه سازی عددی، معضل به دست آوردن اطلاعات کمی و کیفی با حداقل تعداد چاه ها و نقاط نمونه برداری را می توان مرتفع نمود. برای پایش یک سیستم آبخوان، حفر یک شبکه از چاه های پایش نیاز است که این امر پرهزینه و پیچیده می باشد. در سال های اخیر طراحی این شبکه به طوری که کارآمد و در عین حال کم هزینه باشد به یک چالش تبدیل شده است. به منظور کاهش هزینه، سیستم های پایشی مورد توجه اند که در شرایط حداقل تعداد نقاط نمونه برداری، حداکثر دسترسی به داده های مناسب را داشته باشند. تکنیک های بهینه سازی فوق ابتکاری در این زمینه پتانسیل کاربرد بالایی را دارا هستند. در این مقاله منطقه ای از شمال ایران انتخاب شده تا توانایی الگوریتم ژنتیک (GA) ترکیب شده با کریجینگ و الگوریتم اجزای جمعی (PSO)، جهت بهینه سازی شبکه مقایسه و ارزیابی گردند، با این شرط که تعداد چاه های پایش طوری کاهش یابدکه تا حد امکان از کیفیت داده ها کاسته نشود. نتایج بهینه سازی نشان داد که در آبخوان آستانه-کوچصفهان تعداد چاه های مشاهده ای می تواند به اندازه 26 درصد (57 به 42 چاه)، کاهش داده شود، بدون اینکه فقدان داده ای محسوسی ایجاد شود. مقادیر جذر میانگین مربعات خطا RMSE)) برای شبکه بهینه سازی به روش GA و PSO به ترتیب برابر 2025/0 و3222/0 متر محاسبه شد. مقایسه مقادیر RMSE روش GA جهت بهینه سازی نهایی توصیه می شود.
    کلید واژگان: الگوریتم ژنتیک، الگوریتم اجزای جمعی، آب زیرزمینی، بهینه سازی، شبکه پایش سطح ایستابی، دشت آستانه، کوچصفهان
    Naser Ganji Khorramdel, Fatemeh Keykhaei
    Well designed monitoring networks are essential for the effective management of groundwater resources but the costs of monitoring well installations and sampling can prove prohibitive. The challenge is to obtain adequate water quality and quantity information with a minimum number of wells and sampling points, a task that can be approached objectively and effectively using numerical optimization methods. Unfortunately, aquifer systems tend to be complex and monitoring can be very expensive, particularly when it requires the installation of a dedicated network of monitoring wells. In recent years, the challenge has been to design monitoring networks that are both efficient and cost effective. With regards to groundwater monitoring systems, where the challenge is to maximize the availability of good quality data while minimizing the number of sampling sites and thereby limiting costs, optimization techniques clearly have a potentially valuable application. In this paper we use a site in northern Iran to test the ability of GA, when used in combination with Kriging, in comparison with PSO to lower the cost of a monitoring network by reducing the number of monitoring wells without compromising the quality of the interpolated data. The results of the optimization showed that the number of observation wells in the Astaneh aquifer monitoring network could be reduced by 26% from 57 to 42 without a significant loss of information. The root mean square error (RMSE) for the final optimized network in GA was 0.2025 m, that in PSO 0.3222 m. A comparison of RMSE values determined using the GA algorithm with those calculated using PSO algorithm technique showed good agreement and provides strong support for more efficient GA approach.
    Keywords: Astane, Koochesfahan Plain, Genetic Algorithm, Groundwater Monitoring network, Optimization
  • علی فضل الهی، علی سلاجقه*، سادات فیض نیا، حسن احمدی
    انگشت نگاری رسوبات روشی جهت شناسایی منابع رسوب و تعیین سهم مشارکت هر یک از منابع در تولید رسوب است. در این روش از یک یا چندین خصوصیت بیوژئوشیمیایی (ردیاب های طبیعی) استفاده می شود. در این تحقیق از روش انگشت نگاری رسوبات جهت تعیین سهم منابع مختلف رسوب در اراضی لسی بهره گرفته شد. 27 ردیاب در تمامی نمونه ها اندازه گیری شد. داده ها از لحاظ پرت بودن بررسی شدند. سپس با استفاده از آزمون کراسکال والیس توانایی ردیاب ها در جدایش منابع مختلف رسوب بررسی شد. تمامی ردیاب ها توانایی جدایش منابع مختلف رسوب را دارا بودند. سپس با استفاده از تحلیل تشخیص، بهترین ترکیب ردیاب ها که قادر به تمایز بین منابع مختلف رسوب باشند، شناسایی شدند که شامل 9 ردیاب کربن کل، سدیم، کربن آلی، سرب، کبالت، استرانسیوم، آلومینیوم، نسبت کربن به نیتروژن و روبیدیوم می باشند. سپس سهم هریک از منابع به دو روش معمول و بهینه شده با الگوریتم ژنتیک تعیین شد؛ که در میان شش منبع رسوب، خندق با میزان سهم متوسط 6/37 درصد بیشترین و جنگل طبیعی با میزان سهم متوسط 8/4 درصد کمترین مشارکت را در تولید رسوب در حوضه دارند. بهره گیری از الگوریتم ژنتیک سبب افزایش دقت برآورد سهم منابع مختلف (نسبت به روش معمول) گردید.
    کلید واژگان: انگشت نگاری رسوبات، نمونهگیر بار معلق، بهینه سازی، الگوریتم ژنتیک، حوزه آبخیز کچیک
    Ali Fazlollahi, Ali Salajaghe *, Sadat Feiznia, Hasan Ahmadi
    Sediment fingerprinting is a method for identifying sediment sources and determining the rate of contribution of each source. In this method, the natural tracer technology is used, that combined from samples collection, laboratory analyzing and statistical modeling. The natural tracers are measured in both the sources and suspended sediment to determine the rate of contribution each sources. The suspended sediment traps were constructed and used for the first time in country. In this research sediment fingerprinting was used in the loess area. 27 tracers were measured in all samples. Data were evaluated about outlier. The capability of each tracer in separating the sources was evaluated with kruskal-wallis test. All tracers were accepted. Then the best combination of tracers was determined with discriminate analysis. This combination is total carbon, Na, organic carbon, Pb, Co, Sr, Al, C/N and Rb. Then, the rate of contribution of each source was determined with normal method and optimized method. Among all the sediment sources, Gully and forest have the highest and lowest rates, respectively. The field observations were confirmed the results. The use of genetic algorithm increased the accuracy of determination of contribution of each source in comparison to normal method.
    Keywords: Sediment fingerprinting. Suspended sediment trap, optimization, genetic algorithm, Kechik catchment
  • کاظم صابر چناری*، هیراد عبقری، مهدی عرفانیان، مرضیه قادری، حسین سلمانی، امید اسدی نلیوان
    در علم مدیریت منابع آب، بهره برداری بهینه از سیستم های آبی موجود از جمله سدها، روز به روز اهمیت بیشتری می یابد به گونه ای که به دلیل محدود بودن منابع مالی، محدود بودن منابع آبی قابل استحصال و مشکلات زیست محیطی، بهینه سازی بهره برداری از این سیستم ها به تدریج جایگزین احداث سیستم های جدید می گردد. مسئله بهره برداری بهینه از منابع آب معمولا پیچیده، چندمتغیره و چندمحدودیتی است که حل آن ها نیاز به روش های بهینه سازی توانمند دارد. به همین دلیل محققین در این زمینه به دنبال استفاده از روش های کاوشی همچون الگوریتم ژنتیک بوده اند. در این تحقیق از الگوریتم ژنتیک به منظور بهره برداری بهینه از سد مخزنی مهاباد در شمال غربی ایران استفاده شد. تابع هدف تحقیق حداقل سازی اختلاف بین تقاضای آبی پایین دست و مقدار رهاسازی آب از سد در نظر گرفته شد. در ابتدا تحلیل حساسیت الگوریتم ژنتیک با در نظر گرفتن متغیرهای مختلف انجام شد. در ادامه مسئله مورد نظر با در نظر گرفتن احتمال کاهشی، جریان ورودی به سد برای یک دوره 24 ماهه در سناریوهای مختلف شبیه سازی شد. نتایج نشان داد که مدل بهینه سازی الگوریتم ژنتیک حتی در شرایط بحرانی از خشکسالی کارایی مناسبی داشته و مدل بهینه شده می تواند نیاز آبی پایین دست را تامین کند.
    کلید واژگان: الگوریتم ژنتیک، روش های کاوشی، بهینه سازی، سد مخزنی مهاباد، ایران
    K. Saber Chenari *, H. Abghari, M. Erfania, M. Ghaderi, H. Salmani, O. Asadi Nalivan
    In the management water resources science, optimal Operation of existing water systems, such as dams, every day is more important. Due to budget and operational water resources limitations and environmental problems, optimize operation of these systems are gradually replaced by new systems are constructed. Optimal Operation of water resources is a Complex, nonlinear, multi-constraint and multidimensional optimization Problem, so to solve them robust optimization techniques needs are needed. In this study Genetic Algorithm optimization has been used in operation of the Mahabad reservoir Dam in Northwest of Iran. The objective function is minimization of difference between downstream monthly demand and release. Early; Sensitivity analysis of GA model performed by considering of various parameters. Then the method was applied considering the reduce probability of inflow to dam for period 24months in the different scenarios. The results show that, the critical condition of drought could managed by the GA model, the optimized model could satisfy downstream watery demand.
    Keywords: Genetic Algorithm, Heuristic methods, Optimization, Mahabad Dam reservoir, Iran
  • مصطفی اصلانی، رامین فضل اولی، مجتبی احمدی زاده
    استفاده ی مناسب از مدل های مفهومی،بارش- رواناب، به چگونگی واسنجی پارامترهای آنها بستگی دارد. اساسا مدل های بارش- رواناب دارای پارامترهای متعددی هستند که به طور مستقیم قابل اندازه گیری نمی باشند و لازم است که آنها را در طی واسنجی مدل تخمین زد. هدف از انجام واسنجی، یافتن مقادیری از پارامترها است که باعث بهینه شدن معیارهای نیکویی واسنجی می شوند. در این تحقیق، روش واسنجی الگوریتم ژنتیک پیوسته، به منظور تخمین پارامترهای مدل مفهومی ناش (n، k) مورد استفاده قرار گرفته است. کارآیی این روش با بکارگیری پارامترهای تخمینی در شبیه سازی وقایع مختلف بارندگی- رواناب واقع در حوزه کسیلیان در استان مازندران مورد ارزیابی قرار گرفت. معیارهای ارزیابی و نتایج نشان می دهند که مدل ارائه شده، قادر به تعیین پارامترهای ورودی مدل ناش با دقت و کارایی بالا می باشد.
    کلید واژگان: واسنجی اتومات، مدل مفهومی بارش رواناب، حوزه آبخیز کسیلیان، الگوریتم ژنتیک
    Mostafa Aslani, Ramin Fazl Ola, Mojtaba Ahmadizadeh
    The appropriate use of a conceptual rainfall-runoff model depends on how well its parameters are calibrated. Generally, rainfall-runoff models deal with numerous parameters that cannot be measured directly and should be estimated through optimization tools. The purpose of the optimization approach is to finalize the best set of parameters associated with a given calibration data set that optimize the evaluation criteria. In this paper, a continuous genetic algorithm calibration method has been used to estimate the NASH conceptual model parameters (n, k).The efficiency of the method was evaluated using the estimated parameters to simulate different rainfall - runoff events that happened in the Kasilian watershed in Mazandaran province during previous years. The calibration and validation results have shown that the suitability and efficiency of this model for auto calibrating of Nash conceptual rainfall-runoff model is more accurate and favorable.
    Keywords: Auto calibration, Conceptual Rainfall, Runoff Model, Kasilian Watershed, Genetic Algorithm
  • میلاد جانعلی پور، علی محمدزاده، محمد جواد ولدان زوج
    شاخص های متنوعی نظیر RVI، NDVI، SAVI، TRVI و OSAVI، جهت تشخیص پوشش گیاهی با استفاده از تصاویر ماهواره ای، پیشنهاد شده اند. این شاخص ها بر اساس بازتابندگی بالا پوشش گیاهی در باند مادون قرمز و جذب بالای آن در باند قرمز به دست آورده شده اند. ضعف عمده این شاخص ها، استفاده آن ها در مناطق مختلف و بدون تغییر است، به عبارت دیگر این شاخص ها قابلیت تطبیق در مناطق مختلف را ندارند و در برخی پژوهش ها با استفاده از ضرایب تجربی سعی بر کاهش این ضعف داشته اند. در این مقاله سعی کرده ایم، تمام باندها در تولید شاخص پوشش گیاهی استفاده شوند. برای اینکه از تمام باندها در شاخص های پیشنهادی استفاده شود، به هر باند یک وزن اختصاص داده شده است که این وزن ها با استفاده از داده های تعلیمی و خوارزمی های پیشنهادی برآورد می شود. مناطق مطالعه شده در این پژوهش شهرهای شیراز، بم و New Brunswick است که تصاویر توان تفکیک مکانی بالای این مناطق استفاده می شود. نتایج در مناطق مطالعه شده توانایی بالای شاخص های پیشنهادی را در تشخیص پوشش گیاهی نشان می دهد.
    کلید واژگان: حد آستانه، خوارزمی ژنتیک، سنجش از دور، شاخص وزن دار، گیاه
    Millad Janalipour, Ali Mohammadzadeh, Mohammad Javad Valadan Zoej
    Various indexes such as RVI, NDVI, SAVI and OSAVI have been proposed for vegetation detection using satellite images. These indexes have been obtained based on high reflectance of the vegetation in near infrared band and its high absorption in red band. Basic defect of these indexes are using them in various regions without any changes in index structure. In other words, these indexes have not capability of adaption to various regions and in some of the researches have tried to reduce this defect using the empirical coefficients. In this article, all of the bands are used to produce in vegetation index. For used all of the bands in the proposed indexes, each band is assigned a weight. These weights are estimated using training data and the proposed algorithms. The study areas were Shiraz, Bam and New Brunswick, that high resolution images are used from these areas. Results in study areas show the high capability of the proposed indexes to vegetation detection.
    Keywords: genetic algorithm, remote sensing, threshold, vegetation, weighted vegetation index
  • حامد روحانی، محسن فراهی مقدم
    شبیه سازی روابط بارش- رواناب کانون اصلی توجه تحقیقات هیدرولوژی در دهه های گذشته بوده و مدل های زیادی برای این منظور پیشنهاد شده است. انتخاب مدل به هدف از مدل سازی و اطلاعات در دسترس بستگی دارد. در این مطالعه، عملکرد نسبی دو مدل یکپارچه و مفهومی تانک[1] و SIMHYD مقایسه شد. در هر دو مدل ذکرشده محدوده تغییرات پارامترها زیاد است؛ در نتیجه، استفاده از روش سعی و خطا برای بهینه سازی پارامترها مشکل و وقت گیر است. بنابراین، واسنجی این دو مدل به صورت خودکار و با استفاده از الگوریتم ژنتیک[2] در حوزه آبخیز چهل چای، از زیرحوزه های حوزه آبخیز گرگان رود، انجام گرفت. برای واسنجی و اعتبارسنجی خودکار به ترتیب از داده های روزانه دبی در دوره زمانی 1992 1996و دوره زمانی 2002 2005 استفاده شد. نتایج این مطالعه با استفاده از شاخص های آماری ضریب ناش- ساتکلیف و RMSE[3] تجزیه و تحلیل شد. این ضرایب برای دوره واسنجی مدل تانک به ترتیب 599/0 و 821/0 و برای دوره اعتبارسنجی به ترتیب 566/0و 522/0است. همچنین، این ضرایب برای دوره واسنجی مدل SIMHYD به ترتیب 602/0و 819/0 و برای دوره اعتبارسنجی آن به ترتیب 617/0 و 490/0 محاسبه شد. نتایج آماری و گرافیکی دو مدل نشان می دهد که کارایی مدل SIMHYD از مدل تانک بهتر است.
    کلید واژگان: الگوریتم ژنتیک، حوزه آبخیز چهل چای، مدل تانک، مدل SIMHYD
    Hamed Rouhani, Mohsen Farahi Moghadam
    In the past decades، much effort has been devoted to simulation of the rainfall-runoff process. Hydrological models are simplified representations of the natural hydrologic system. In each case، the choice of the model to be applied depends mainly on the objective of the modeling but also on the available information. The relative performances of two lumped conceptual-based hydrology models (Tank and SYMHYD) were compared based on daily data of Chehel_Chay catchment in the northeast region of Golestan province. As in Tank and SIMHYD models، parameter spaces are high dimensional، it is difficult to obtain optimal parameters using manual trial and error procedure. These parameters need to be estimated through an inverse method by calibration. Therefore، an automatic optimization procedure based on the Genetic Algorithm (GA) was tested for parameter calibration of two models. For testing the applicability of the model in gauged basin، the model was calibrated for a period of 1992–1996 and validated for a period of 2002–2005. The result showed that RMSE of discharge predictions were as low as 0. 821 for a Nash-Sutcliffe coefficient of 0. 599 for the Tank model، against 0. 819 for a Nash-Sutcliffe coefficient of 0. 602 for the SYMHYD model in calibration period. When evaluating the model performance in validation period، SYMHYD model is performing most accurately with RMSE=0. 490 and E=0617. It was found the RMSE for Tank model is 0. 522، which is slightly higher than SIMHYD (RMSE=0. 490). SIMHYD is performing most accurately with E equal to 0. 602 and 0. 607 in calibration and validation periods، respectively.
    Keywords: Tank Model, SYMHYD model, genetic algorithm, Chehel, Chay catchment
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال