مقايسه عملكرد روش‌هاي ماشين‌ بردار پشتيبان و شبكه‌هاي بيزين در پيش‌بيني جريان روزانه رودخانه (مطالعه موردي: رودخانه باراندوزچاي)

Comparing the performance of Support Vector Machines and Bayesian networks in predicting daily river flow (Case study: Baranduz Chai River)

سابقه و هدف: از آن‌جا كه پيش‌بيني جريان رودخانه‌ها در مهندسي منابع آب از اهميت ويژه اي برخوردار است، پژوهشگران متعددي در دهه‌هاي اخير روش هاي مختلفي را در اين زمينه به‌كار برده و مورد بررسي قرار داده‌اند. همچنين با توسعه و گسترش روش‌هاي هوش مصنوعي از يك دهه قبل به اين سو، امكان كشف و آشكارسازي بهتر ارتباطات بين متغيرهاي مختلف هيدرولوژيكي به‌طور چشم‌گيري ميسر گرديده است. ماشين بردار پشتيبان و شبكه‌هاي بيزين از جمله روش‌هاي نويني هستند كه در زمينه پيش‌بيني جريان رودخانه در سال‌هاي اخير به‌كار گرفته شده‌اند. مواد و روش‌ها: در اين مطالعه، به‌منظور پيش‌بيني جريان رودخانه باراندوزچاي از دو روش ماشين بردار پشتيبان (SVM) و شبكه‌هاي بيزين (BNs) استفاده شد. ماشين بردار پشتيبان يكي از روش هاي يادگيري تحت نظارت است كه هم براي دسته‌بندي و هم رگرسيون قابل استفاده است. در سال هاي اخير سيستم هاي پشتيباني تصميم، جهت جمع‌آوري و يكپارچه سازي بهترين دانش و اطلاعات براي اتخاذ مناسب ترين تصميم گيري، در سطح وسيعي از علوم گسترش يافته است كه مدل شبكه تصميم گيري بيزين يكي از انواع مختلف سيستم هاي پشتيباني تصميم است. شبكه تصميم‌گيري بيزين، روشي سودمند است كه مي تواند اطلاعات و داده هاي كمي را به خوبي با دانش كيفي كارشناسي همسو نمايد. يافته‌ها: داده هاي جريان روزانه اين رودخانه در محل ايستگاه آبسنجي ديزج در خلال سال هاي 1385 تا 1389 براي ايجاد مدل استفاده شد كه 80 درصد داده ها براي آموزش و 20 درصد براي صحت‌سنجي مدل به‌‌كار رفت. همچنين نقش حافظه در كاهش يا افزايش دقت پيش‌بيني مورد بررسي قرار گرفت. جهت مدل سازي جريان رودخانه با مدل‌هاي SVM و BNs از حافظه هاي دبي يك روز قبل، دو روز قبل و ... پنج روز قبل استفاده شد و نتايج براساس شاخص‌هاي آماري جذر ميانگين مربعات خطا، ضريب همبستگي و معيار نش- ساتاكليف مورد بررسي قرار گرفت. بنابراين الگوهاي ورودي متعددي به مدل‌ها معرفي شد. در نهايت مشخص گرديد كه با افزايش حافظه، دقت مدل‌سازي نيز افزايش مي‌يابد به‌طوري‌كه بيش‌ترين دقت در الگوي سوم براي هر دو روش به‌دست مي‌آيد. مقايسه نتايج دو مدل نشان داد كه دقت روش ماشين بردار پشتيبان با 976/0R=، (m3/s)80/1RMSE= و معيار نش- ساتاكليف معادل با 949/0 نسبت به روش شبكه‌هاي بيزين با 964/0R=، (m3/s)96/1RMSE= و معيار نش- ساتاكليف برابر با 921/0 بيش‌تر است. نتيجه‌گيري: با دقت بيش‌تر در نتايج ارايه شده، مي‌توان نتيجه گرفت كه عملكرد دو روش SVM و BNs از نظر تحليل‌هاي آماري نزديك به هم بوده، اما از نقطه نظر گرافيكي و تخمين دبي‌هاي كمينه و بيشينه، مشخص است كه هر دو مدل در پيش‌بيني دبي بيشينه خطاي بيش‌تري دارند اما در پيش‌بيني دبي متوسط و كمينه عملكرد مدل SVM به مراتب بهتر از مدل BNs مي‌باشد.

Background and Objectives: Since the river flow forecasting is an important issue in water resources engineering, the researchers have considered and applied different methods in this field. In recent decades the artificial intelligence (AI) methods emerge as a powerful tool for detecting the relationship among different variables of hydrological systems. Support Vector Machine and Bayesian networks are two types of artificial intelligence methods which are widely used in recent years for river flow forecasting. Materials and Methods: In this study, Support Vector Machines (SVM) and Bayesian networks (BNs) methods were used to forecast daily discharge of the Baranduz Chai River. The support vector machine was a novel neural network algorithm and originally applied to pattern recognition problems and regression. In recent years, decision support systems (DSS) have been developed to integrate the best available knowledge for making appropriate decision. Among the various kinds of DSS, Bayesian networks have proven quite useful since this modeling approach can integrate quantitative information and data as well as qualitative expert knowledge. Results: The daily discharge data of the Baranduz Chai River measured at the Dizaj hydrometric station during 2006 to 2010 were used for modeling, which 80% of the data were used for training and remaining 20% used for testing of models. In order to model river flow by SVM and BNs methods, the river flow discharge of over 5 days with daily time steps were used and the results evaluated based on root mean square error (RMSE), correlation coefficient (R) and Nash-Sutcllife (NS) criteria. The results showed that at first, the accuracy of models increased with increasing of memory, as the most accuracy obtained for combination #3 of input variables in both of the methods. Comparing the performance of SVM and BNs models indicated that the accuracy of the SVM method with the R=0.976, RMSE=1.80 (m3/s) and NS=0.949 was slightly more than BNs method with R=0.964, RMSE=1.96 (m3/s) and NS=0.921. Conclusion: According to obtained results, it can be concluded that the performance of SVM and BNs models are close together, but both of considered models had a remarkable error in estimating high discharge values. However, the SVM model had better performance than BNs in forecasting average and the minimum discharge values.