پيش بيني رواناب روزانه با مدل حداقل مربعات ماشين بردار پشتيبان (LS-SVM)

Daily rainfall-runoff modeling with Least Square Support Vector Machine (LS-SVM)

مدل هاي داده محور از جمله ابزارهايي هستند كه به منظور شبيه ساز ي در علوم مختلف استفاده مي شوند. روش ماش ين بردار پش تيبان به عنوان يكي از جديدترين اين نوع ابزارها اخيراً در علوم مرتبط با آب مورد توجه قرار گرفته است . در ه يدرولوژي و منابع آب، اين مدل ها با ش بيه سازي فر آيند بارش- رواناب، مقدار رواناب را در حوزه هاي آبخيز بدون اي ستگاه اندازه گي ري و با حداقل زمان ممكن و كم ترين هز ينه برآورد م يكنند. هدف از انجام اين پژوهش شبيهسازي رواناب روزانه با كمك م يباشد . مدل Hymod ماشين بردار پشتيبان و همچنين مقاي سه نتا يج آن با مدل ه ي درولوژيكي نيز مد لي مفهوم ي بوده كه رواناب را با استفاده از داده هاي بارش و تبخي ر- تعرق پتانس يل Hymod روزانه محاسبه مي نمايد. ارزيابي روش هاي پيش بيني رواناب نام برده با استفاده از داده ها ي روزانه 1958 ) در حوضه معرف رودخانه ليف آمريكا - بارش و تبخير- تعرق پتانسيل براي 5 سال ميلادي ( 62 ضريب تعي ين ،(KGE) به مساحت 1950 كيلومترمربع انجام گرديد. مقادير آماره هاي كلينگ گوپتا 0/ 0 و 78 /79 ،0/ به ترتيب در روش ماشين بردار پشتيبان 80 (NSE) و ضريب ناش- ساتكليف (R2) 0 به دست آمد. نتايج نشان از برتري نسبي روش ماش ين بردار / 0/79 و 76 ،0/68 ،Hymod و در مدل داد و بنابراين نتايج اين ابزار م ي تواند در حوضه ها ي Hymod پشتيبان به شبيه سازي مدل مفهومي بدون آمار به عنوان تخمين قابل قبول اوليه در نظر گرفته شود.

Accurate time and site-specific forecasts of streamflow are important in effective reservoir management and scheduling. The present study aimed to compare the efficiency of Least Square Support Vector Machine (LS-SVM) as a new data driven model and a conceptual hydrologic model (Hymod) to simulate the daily streamflow in a representative watershed in US, Leaf River Watershed (1950 km2). For this purpose, 5-years period (1958-1962) of daily data including rainfall, potential evapotranspiration and streamflow were used. First 3-years were used as calibration (training) period in Hymod and LS-SVM and two remaining years were selected for validation (testing) periods in two models respectively. Performances criteria (Kling Gupta Efficiency (KGE), correlation coefficient (R2) and the Nash- Sutcliffe (NS) coefficient for both LS-SVM and Hymod models in verification period were calculated and found that LS-SVM is a very potential candidate for the prediction of long-term discharges and can be used as a promising method for hydrological prediction in un-gauged area.