مقايسه كارآيي مدل هاي هوشمند در رونديابي جريان روزانه رودخانه (مطالعه موردي: رودخانه بالخلوچاي، استان اردبيل)

Comparison of Intelligent Models Efficiency for Routing of River Daily Flow (Case Study: Baleqlu-Chay River, Ardabil Province

رونديابي جريان در رودخانه ها يكي از پراهميت ترين موضوعات در مديريت منابع آب هاي سطحي جهت اتخاذ تدابير مناسب در مواقع سيلاب و بروز خشك سالي ها است. در اين تحقيق از مدل هاي شبكه عصبي مصنوعي، برنامه ريزي بيان ژن، موجك- عصبي و حداقل مربعات ماشين بردار پشتيبان به منظور رونديابي جريان روزانه رودخانه بالخلوچاي واقع در حوضه آبريز دره رود استفاده شد. در اين راستا داده هاي روزانه دو ايستگاه هيدرومتري متوالي واقع بر رودخانه مذكور به كار گرفته شد. براي ارزيابي مدل ها از شاخص هاي آماري ريشه ميانگين مربعات خطا، ضريب همبستگي، ضريب نش- ساتكليف و باياس استفاده شد. نتايج گوياي عملكرد قابل قبول هر چهار مدل و برتري مدل حداقل مربعات ماشين بردار پشتيبان با بيشترين ضريب همبستگي (0/894=R) ، كمترين ريشه ميانگين مربعات خطا (RMSE=1.540 m3/s) و ضرايب نش-ساتكليف و باياس برابر 0/813 و 0/013 در مرحله صحت سنجي بود. اما در برآورد دبي بيشينه (سيلاب) مدل موجك- عصبي با ميانگين خطاي نسبي 34/21 درصد، از خطاي كمتري نسبت به ساير مدل ها برخوردار بود. لازم به ذكر است كه كليه مدل ها در تخمين جريان ايستگاه پايين دست حالت كم برآورد داشتند

Routing of river flow is one of the most important of water resources management topics to adopt appropriate decision in occurrence time of flood or droughts. In this study, artificial neural networks (ANN), gene expression programming (GEP), wavelet- neural network (WNN) and least square support vector machine (LS-SVM) models were used for routing of Baleqlu-Chay river daily flow, located at Dareh-Roud watershed. Daily river discharge data of two consecutive hydrometric stations located at the mentioned river for the period of 1997-2013. The statistics indices including, root mean square error (RMSE), correlation coefficient (R), Nash–Sutcliffe efficiency coefficient (NS) and Bias were used to evaluate the precision of the models. Comparison of results demonstrate that the LS-SVM with RMSE=1.540 m3/s, R=0.894, NS=0.713 and Bias=0.013 had the best performance in the test period. But in estimating of peak discharge values, the WNN model with average relative error equal to 34.21% had the least error. It should be mentioned that all of the models tended to underestimate the discharge values.