ارزيابي و عملكرد مدل ماشين بردار پشتيبان در تخمين رسوبات معلق رودخانه ها

Evaluation and Performance of Support Vector Machine Model in Estimation of Suspended Sediment

همواره پديده انتقال رسوب، بسياري از سازه هاي رودخانه اي و سازه هاي عمراني را تحت تاثير قرار داده و عدم اطلاع از ميزان دقيق آن خسارات بسياري را موجب مي شود .از اين جهت دستيابي به روشي با دقت مناسب براي تخمين ميزان بار رسوبي معلق رودخانه ها بسيار حايز اهميت است. در اين پژوهش جهت تخمين رسوبات رودخانه كاكارضا واقع در استان لرستان، از مدل ماشين بردار پشتيبان استفاده گرديد و نتايج آن با برنامه ريزي بيان ژن مقايسه شد. پارامترهاي دبي جريان، ميزان مواد جامد محلول در آب و بارش بعنوان ورودي و پارامتر دبي رسوب بعنوان خروجي مدل در مقياس زماني ماهانه، طي دوره آماري (1373-1393) انتخاب شد. معيارهاي ضريب همبستگي، جذر ميانگين مربعات خطا و ميانگين قدر مطلق خطا براي ارزيابي و نيز مقايسه عملكرد مدل ها مورد استفاده قرار گرفت. نتايج حاصله نشان داد كه الگوهاي تركيبي توانسته با استفاده از دو مدل هوشمند مورد بررسي، در تخمين ميزان رسوب نتايج قابل قبولي ارائه نمايد. ليكن از لحاظ دقت، مدل ماشين بردار پشتيبان با بيشترين ضريب همبستگي (0/867)، كمترين جذر ميانگين مربعات خطا(ton/day0/024) و نيز ميانگين قدر مطلق خطا (ton/day 0/017) در مرحله صحت سنجي در اولويت قرار گرفت. در مجموع نتايج حاصله نشان داد كه مدل ماشين بردار پشتيبان توانايي بالايي در تخمين مقادير حداقل و حداكثراز خود نشان داده است.

Sediment transport has been constantly influenced the river and civil structures and the lack of information about its exact amount causes high damages. Achieving to proper procedure is important to estimate the sediment load in rivers. This study used the support vector machine model to estimate the sediments of the Kakareza river placing on Lorestan Province and their results were compared with results obtained by gene expression programming. Parameters including river discharge، rate of dissolved solids and precipitation for time period (1993-2013) were monthly selected. Criteria including correlation coefficient، root mean square error and mean absolute error were used to evaluate and also compare the performance of models. The achieved results showed that combinational patterns using two intelligence models could be investigated and acceptable results were presented for sediment rats. With regards to accuracy، the support vector machine model showed the highest correlation coefficient (0.867)، minimum root mean square error (0.024 ton/day) and the mean absolute error (0.017 ton/day) which was initiated at verification stage. Finally، the results showed that the support vector machine has been shown great capability to estimate the minimum and maximum values for sediment discharge