ارزيابي مدل‌هاي هوش مصنوعي در مدل‌سازي جريان رودخانه، مطالعه موردي: رودخانه گاماسياب

Evaluation of artificial intelligence models in river flow modeling, case study: Gamasiab River

با پيش­ بيني جريان رودخانه­‌ها علاوه‌ بر مديريت بهره­‌برداري از منابع آب، مي­‌توان حوادث طبيعي نظير سيل و خشكسالي را نيز پيش‌­بيني و مهار كرد. استفاده از مدل­‌هاي جديد در اين زمينه مي­‌تواند به مديريت و برنامه‌­ريزي صحيح كمك كند. در اين مطالعه، به ارزيابي سه مدل به ‌نام­هاي، برنامه‌ريزي بيان ژن (GEP)، شبكه بيزين (BN) و ماشين بردار پشتيبان (SVM) پرداخته شده است. داده­‌هاي مورد استفاده براي اين پژوهش، داده‌­هاي بارش و جريان روزانه رودخانه گاماسياب نهاوند در يك دوره 10 ساله (1391-1381) مي‌­باشد. نتايج نشانگر برتري نسبي مدل برنامه‌ريزي بيان ژن نسبت به بقيه مدل­‌ها بود و مدل ماشين بردار پشتيبان (SVM) تقريبا عملكرد بهتري نسبت به شبكه بيزين در مدل‌سازي جريان روزانه رودخانه داشت. علاوه بر اين، سرعت اجراي مدل برنامه‌­ريزي بيان ژن نسبت به بقيه مدل‌ها بيشتر بود و در زمان كوتاهي قادر به ارائه نتايج بود. همچنين، مدل SVM در تخمين مقادير كمينه پاياني نيز دچار بيش برازش شده است. در نهايت مدل برنامه‌ريزي بيان ژن با ضريب تبيين 0.9230 و جذر ميانگين مربعات 0.5867 در مرحله آموزش و ضريب تبين 0.9025 و جذر ميانگين مربعات 0.4936 در مرحله تست، به‌عنوان مدل برتر انتخاب شد.

Having predicted river flow, we can predict and control natural disasters such as flood and drought in addition to managing utilization of water resources. New models in this domain can help correct management and planning. In this study, three models are evaluated: Gene Expression Planning (GEP), Bayesian Network (BN), and Support Vector Machine (SVM). The data used for this research is precipitation data and daily flow of Gamasiab River in Nahavand during 10 years period (1381-1391). Results indicated that the relative superiority of the gene expression planning model to other models and better performance of SVM model in comparison with BN in daily river flow modeling. In addition, implementing gene expression planning model was faster than other models and could provide results in a short time. The SVM model is also more fitted to estimate the final minimum values. Finally, GEP model with coefficient of determination of 0.9230 and root mean square of 0.5867 in the training phase and coefficient of determination of 0.9025 and root mean square of 0.4936 in the test phase was selected as the superior model.