فهرست نشریات علمی دسترسی آزاد ایران

روش­های متعددی هم­چون مدل سری­های زمانی، شبکه­های عصبی مصنوعی، منطق فازی، نرو فازی و برنامه­ریزی ژنتیک برای پیش­بینی جریان رودخانه به کار می­رود. در تحقیق حاضر از روش نوین برنامه­ریزی ژنتیک جهت پیش­بینی جریان روزانه رودخانه لیقوان در حوضه آبریز دریاچه ارومیه در دوره آماری 1376 تا 1380 استفاده شد.  هم­چنین نقش حافظه در کاهش یا افزایش دقت پیش بینی مورد بررسی قرار گرفت. جهت مدل­سازی جریان رودخانه با برنامه­ریزی ژنتیک از حافظه­های دبی یک روز قبل، دو روز قبل، .... و پنج روز قبل استفاده شد و نتایج بر اساس شاخص­های آماری جذر میانگین مربعات خطا و ضریب همبستگی مورد بررسی قرار گرفت. نتایج تا حافظه دبی چهار روز قبل، رو به بهبود بوده و بعد از آن رو به نزول گذاشت. جهت بررسی بیشتر این فرایند از مدل شبکه­های عصبی مصنوعی نیز استفاده گردید. برای مدل شبکه­های عصبی، ساختارهای مختلفی مورد بررسی قرار گرفت که ساختار با چهار نرون در لایه ورودی و شش نرون در لایه پنهان و یک نرون در لایه خروجی، بهترین نتایج را داد. برای مدل شبکه­های عصبی مصنوعی نیز حافظه تا دبی چهار روز قبل رو به بهبود بوده و بعد از آن رو به نزول می­گذارد. در مقایسه نتایج دو مدل، در مورد حالت بهینه مدل برنامه­ریزی ژنتیک، ضریب همبستگی و جذر میانگین مربعات خطا برای آموزش به ترتیب 959/. و 029/0 و برای حالت بهینه مدل شبکه­های عصبی مصنوعی به ترتیب 948/. و 215/. می­باشد. لذا برنامه­ریزی ژنتیک از دقت بیشتری نسبت به مدل شبکه­های عصبی مصنوعی برخوردار بوده و به عنوان روشی مناسب و دقیق جهت پیش­بینی پیشنهاد می­گردد.