ارزيابي تأثير نرمال سازي توزيع احتمالاتي رواناب ماهانه بر عملكرد مدل هاي SVM و ANN در شبيه سازي جريان ماهانه رودخانه ها (مطالعه موردي: حوزه زرينه رود)

تخمين دقيق مقدار رواناب رودخانه ها از اقدامات اساسي در مديريت منابع آب حوزه ها مي باشد. (شبكه عصبي مصنوعي ANN) و ماشين بردار پشتيبان (SVM) از مهم ترين مدل هاي داده كاوي هستند كه مي توانند براي اين منظور مدنظر قرار گيرند. با توجه به مبتني بودن اين مدل ها به داده ها ، نوع توزيع احتمالاتي داده ها مي تواند تأثير چشمگيري بر عملكرد آن ها در شبيه سازي جريان داشته باشد. براي بررسي اين موضوع حوزه زرينه رود به عنوان منطقه مورد مطالعه انتخاب شده و ارزيابي هاي مورد نظر در سه ايستگاه آب سنجي واقع در آن صورت گرفت. در اين راستا در ابتدا با استفاده از آزمون شاپيروويلك تبعيت نمودن توزيع احتمالاتي داده هاي مشاهداتي اوليه از نرمال مورد بررسي قرار گرفته و سپس نرمال سازي توزيع داده ها انجام شد. در ادامه كارايي هر يك از مدل هاي ANN و SVM در شبيه سازي رواناب ماهانه سه ايستگاه آب سنجي براي داده هاي مشاهداتي و نرمال شده جريان مورد ارزيابي قرار گرفت. براساس نتايج اين تحقيق مقادير شاخص هاي ضريب همبستگي(CC) و جذر ميانگين مربعات خطا (RMSE) در دوره صحت سنجي براي ايستگاه هاي صفاخانه، سنته و پل آنيان در مدل ANN به ترتيب 0/71، (m³/sec) 5/93، 0/80، (m³/sec) 6/58 و 0/82، (m³/sec) 22/90 بدست آمد. در مدل SVM براي اين شاخص ها در ايستگاه هاي مذكور به ترتيب مقادير 0/70، (m³/sec)6/34، 0/78، (m³/sec)7/02 و 0/79، (m³/sec)24/31 حاصل شد. نتايج نشان داد كه در مدل ANN استفاده از جريان نرمال شده در ايستگاه هاي پل آنيان، سنته و صفاخانه مقادير CC را در دوره صحت سنجي به ترتيب 6، 14 و 11 درصد افزايش و مقادير RMSE را به ترتيب 9، 19 و 6 درصد كاهش مي دهد. در مدل SVM پس از نرمال سازي داده ها مقادير CC و RMSE فقط براي ايستگاه سنته به ميزان 10 و 16 درصد به ترتيب افزايش و كاهش مي يابد. همچنين نتايج نشان داد كه مدل ANN با ورودي هاي نرمال شده در هر سه ايستگاه آب سنجي عملكرد بهتري نسبت به مدل SVM دارد.