شبيه سازي خودهمبسته جريان حوضه آبريز زرينه رود با استفاده از روش تجزيه پروكراستس و مدل هاي شبكه عصبي مصنوعي و ماشين بردار پشتيبان

Autoregressive simulation of Zarrinehrud river basin runoff using Procrustes analysis method and artificial neural network and support vector machine models

پيش بيني جريان رودخانه ها در حوضه هاي آبريز نقش مهمي در بهره برداري و مديريت صحيح منابع آبي دارد. تعيين نوع و تعداد ورودي مدل هاي تخمين گر، يكي از مهم ترين مراحل در پيش بيني جريان رودخانه ها مي باشد. بنابراين از روش تجزيه پروكراستس (PA) براي تعيين تعداد ورودي هاي موثر استفاده شده است. در اين تحقيق پيش بيني جريان با استفاده از داده هاي جريان ماهانه ايستگاه هاي آب سنجي صفاخانه و سنته انجام گرفته است. مدل شبكه عصبي مصنوعي (MLP) و مدل ماشين بردار پشتيبان (SVM) براي پيش بيني جريان مورد استفاده قرار گرفته اند. بهترين تخمين جريان با استفاده از مدل هاي MLP و PA-MLP در ايستگاه آب سنجي صفاخانه به ترتيب با RMSE برابر با (m3/s) 68 / 5 و (m3/s) 85 / 4 و CC برابر با 73 / 0 و 78 / 0 و در ايستگاه آب سنجي سنته به ترتيب با RMSE برابر با (3 6/ sm) 44 و (m3/s) 36/6 و CC برابر با 78/0 و 79/0 انجام شده است. مدل PA-SVM نيز به ترتيب با RMSE و CC برابر با (m3/s) 45 / 5 و 73 / 0 در دوره صحت سنجي نتايج بهتري را نسبت مدل SVM در تخمين جريان ايستگاه آب سنجي صفاخانه داشته است. همچنين نتايج نشان داد كه مدل ‏هاي SVM و PA-SVM جريان ايستگاه سنته را با RMSE به ترتيب برابر با (m3/s) 85 / 6 ) و 6.44 (m3/s) تخمين زده‏ اند. در حالت كلي نتايج نشان داد كه روش تجزيه پروكراستس مي تواند به عنوان يكي از روش هاي كارآمد و مناسب جهت تعيين تعداد ورودي موثر مورد استفاده قرار گيرد. مقايسه نتايج مدل هاي MLP و SVM نيز نشان داد كه مدل MLP از دقت بيشتري نسبت به مدل SVM برخوردار است.

Rivers flow prediction in river basins has an important role in the operation and correct management of water resources. Determining type and number of estimator models inputs is one of the important steps in rivers flow prediction. Therefore, The Procrustes analysis (PA) method for determining the number of effective inputs was used. In this study, flow prediction was done using the flow data obtained from the Safakhaneh and Santeh hydrometric stations. The Artificial Neural Network (ANN) and The Support Vector Machine (SVM) models was used for flow prediction. The best estimation of flow is done using the MLP and SVM models in Safakhaneh hydrometric station with RMSE equal to 5.68 (m3/s) and 4.85 (m3/s), respectively, and CC equal to 0.73 and 0.78, respectively. While in Santeh hydrometric station RMSE was equal to 6.44 (m3/s) and 6.36 (m3/s) respectively, and CC was equal to 0.78 and 0.79 respectively for MLP and SVM models. PA-SVM model showed better results than SVM model in estimating Safakhaneh hydrometric stations flow with RMSE equal to 5.45 (m3/s) and CC equal to 0.73 during the test period. The results also indicated that SVM and PA-SVM models estimated the flow of Santeh station with RMSE equal to 6.85 (m3/s) and 7.03 (m3/s) respectively. Basically, results indicated that the Procrustes analysis method can be used as one of the Efficient and suitable methods for determining the number of effective inputs. Comparison of the ANN and SVM results indicated that ANN model has more accuracy than SVM model.