مدل سازي رواناب رودخانه صوفي چاي با استفاده از ماشين بردار پشتيبان و شبكه عصبي مصنوعي

Sofichay River Runoff Modeling using Support Vector Machine and Artificial Neural Network

شبيه­ سازي دقيق فرآيند رواناب مي­تواند نقش بسزايي در مديريت منابع آب و مسائل مربوطه داشته باشد. پيچيدگي ذاتي اين فرآيند استفاده از مدل­هاي فيزيكي و عددي را مشكل مي­نمايد. در سال­هاي اخير كاربرد مدل­هاي هوشمند به­عنوان ابزاري توانمند در علم هيدرولوژي افزايش‌يافته است. هدف اين مطالعه كاربرد آزمون گاما براي انتخاب تركيب بهينه متغيرهاي ورودي در مدل‌سازي رودخانه صوفي چاي مي‌باشد. مدل‌سازي جريان آب رودخانه با استفاده از تعداد نقاط بهينه متغيرهاي منتخب با روش‌هاي شبكه عصبي مصنوعي و ماشين بردار پشتيبان مي‌باشد. نتايج آزمون گاما نشان داد كه رواناب رودخانه با شش تأخير زماني، نتايج بهتري به‌منظور پيش‌بيني ارائه مي‌دهد. شبيه‌سازي رواناب با استفاده از دو مدل ماشين بردار پشتيبان و شبكه عصبي مصنوعي نشان داد كه بهترين ساختار ورودي براي پيش‌بيني رواناب ماه بعد، تا شش تأخير خواهد بود. از ميان دو مدل با ساختار ورودي يكسان، مدل ماشين بردار پشتيبان كارايي نسبتاً بالايي نسبت به شبكه عصبي مصنوعي داشته است.

Accurate simulation runoff process can have a significant role in water resources management and related issues. The inherent complexity of this process makes difficult the use of physical and numerical models. In recent years, application of intelligent models is increased a powerful tool in hydrological modeling. The aim of this study was the application of the Gamma test to select the optimal combination of input variables for runoff modeling in Sofi Chay. Streamflow modeling was performed based on the optimum number of the selected variables using the artificial neural network (ANN) and Support vector machine (SVM) methods .Gamma test results showed that monthly runoff with six antecedent runoff values provide better results to predict. Runoff simulation using support vector machines and artificial neural network models also showed that the best input structure will be delayed until six to predict of next month runoff. Among to models with the same input structure, support vector machine have relatively high efficiency compared to artificial neural network