مقايسه و ارزيابي مدل‌هاي شبكه عصبي بيزين، برنامه‌ريزي بيان ژن، ماشين بردار پشتيبان و رگرسيون خطي در تخمين بده جريان؛ مطالعه موردي حوضه صوفي چاي

Comparison and Evalution of Bayesian Neural Network, Gene expression programming, Support Vector Machine and Multiple Linear Regression in River Discharge Estimation (Case Study: Sufi Chay Basin)

پيش‌بيني جريان رودخانه براي برنامه‌ريزي طراحي و مديريت مطمين پروژه هاي منابع آب مهم است. در اين پژوهش قابليت كاربرد شبكه عصبي بيزين، برنامه‌ريزي ژن، ماشين بردار پشتيبان و رگرسيون خطي چندمتغيره براي پيش‌بيني سري زماني جريان رودخانه صوفي چاي بررسي شد. سري زماني جريان روزانه رودخانه براي دوره 1376 تا 1389 براي ايستگاه هيدرومتري تازه كند رودخانه صوفي چاي مورد استفاده واقع شد. جهت بدست آوردن بهترين نگاشت ورودي و خروجي؛ تركيبات مختلف ورودي با استفاده از داده‌هاي پيشين جريان روزانه رودخانه محاسبه شد. كارايي مدل‌ها با استفاده از چهار معيار خطاي: ضريب همبستگي (CC)، ريشه جذر ميانگين خطا (RMSE ( و ضريب نش ساتكليف و باياس محاسبه شد. مقايسه مدل‌ها نشان داد كه شبكه عصبي بيزين با ضريب همبستگي (991/0)، جذر ميانگين مربعات خطا (m3/s031/0)، نش ساتكليف (981/0) و مقدار باياس (006/0-) بهترين تخمين را از داده‌هاي روزانه جريان رودخانه نسبت به مدل‌هاي برنامه‌ريزي بيان ژن، ماشين بردار پشتيبان و رگرسيون خطي چندمتغيره داشته است.

Prediction of river discharge is importance for reliable planning, design and management of water resources projects. This study investigates the applicability of Bayesian Neural Network (BNN), Gene-Expression Programming (GEP), Support Vector Machine (SVM), and Multi linear Regression (MLR) for prediction of river discharge time series in the Soufichay river, Iran. Daily river discharge time series for period of 1997 to 2010 of Tazehkand hydrometric station from Soufichay river was used. To obtain the best input–output mapping, different input combinations of antecedent daily river discharge were evaluated. The performance of the models were evaluated through the four performance criteria: Correlation Coefficient (CC), Root Mean Square Error (RMSE), the Nash–Sutcliffe efficiency coefficient (N-S) and Bias criteria. A comparison of models indicates that BNN with CC (0.991), RMSE (0.031m3/s), N-S (0.981) and Bias(-0.006) predicted better than GEP, SVM, and MLR models for daily river discharge time series.