Streamflow and sediment load prediction using linear genetic programming

Simple item page
dc.contributor.authorMehr, Ali Danandeh
dc.contributor.authorŞorman, Ali Ünal
dc.date.accessioned2020-09-02T08:57:16Z
dc.date.available2020-09-02T08:57:16Z
dc.date.issued2018-07-17
dc.description.abstractDaily flow and suspended sediment discharge are two major hydrological variables that affect rivers’ morphology and ecosystem, particularly during flood events. Artificial neural networks (ANNs) have been successfully used to model and predict these variables in recent studies. However, these are implicit and cannot be simply used in practice. In this paper, linear genetic programming (LGP) approach has been suggested to develop explicit models to predict these variables in two rivers in Iran. The explicit relationships (prediction rules) evolved by LGP take the form of equations or program codes, which can be checked for its physical consistency. The results showed that the LGP outperforms ANNs to get global maximum and minimum discharges providing lowest root mean squared error and higher coefficient of efficiency both for training and validation periods.en_US
dc.description.abstractNehirlerin morfolojisini, ekosistemi ve özellikle taşkın olaylarını etkileyen iki ana değişken askıdaki sediment ve günlük akımlardır. Yapay sinir ağları (YSA), bu değişkenleri modellemek ve tahmin etmek için yakın zamanda yapılmış çalışmalarda başarıyla kullanılmıştır. Bununla birlikte, bunlar kapalı yöntemlerdir ve pratik uygulamalarda kolaylıkla kullanılamazlar. Bu makalede, İran'daki iki nehirde bu değişkenleri tahmin etmek üzere açık modeller geliştirmek için doğrusal genetik programlama (DGP) yaklaşımı önerilmiştir. DGP tarafından geliştirilen açık ilişkiler (tahmin kuralları), fiziksel tutarlılığı açısından kontrol edilebilen denklemler veya program kodları şeklindedir. Sonuçlar, global maksimum ve minimum akımları elde etme noktasında, DGP’nin YSA’ya göre daha başarılı olduğunu gerek kalibrasyon gerekse doğrulama aşamalarında hataların karelerinin ortalamasının karekökünün en düşük, verimlilik katsayısının ise daha yüksek olmasını sağlayarak göstermiştir.tr_TR
dc.identifier.citationMehr, A. D. ve Şorman, A. Ü. (2018). "Streamflow and sediment load prediction using linear genetic programming". Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 23(2), 323-332.tr_TR
dc.identifier.endpage332tr_TR
dc.identifier.issn2148-4147
dc.identifier.issn2148-4155
dc.identifier.issue2tr_TR
dc.identifier.startpage323tr_TR
dc.identifier.urihttps://dergipark.org.tr/tr/download/article-file/555606
dc.identifier.urihttp://hdl.handle.net/11452/12500
dc.identifier.volume23tr_TR
dc.language.isoenen
dc.publisherUludağ Üniversitesitr_TR
dc.relation.journalUludağ Üniversitesi Mühendislik Dergisi / Uludağ University Journal of The Faculty of Engineeringtr_TR
dc.relation.publicationcategoryMakale - Uluslararası Hakemli Dergitr_TR
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectDaily dischargeen_US
dc.subjectSedimenten_US
dc.subjectPredictionen_US
dc.subjectLinear genetic programmingen_US
dc.subjectArtificial neural networksen_US
dc.subjectGünlük akımtr_TR
dc.subjectÖngörümtr_TR
dc.subjectDoğrusal genetik pogramlamatr_TR
dc.subjectYapay sinir ağlarıtr_TR
dc.titleStreamflow and sediment load prediction using linear genetic programmingen_US
dc.title.alternativeAkım ve sediment yük öngörümü için doğrusal genetik programlamanın uygulanmasıtr_TR
dc.typeArticleen_US

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
23_2_24.pdf
Size:
1.39 MB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

2018 Cilt 23 Sayı 2