تحليل عدم ‌قطعيت مدل‌هاي شبكۀ عصبي مصنوعي (ANN) و ماشين بردار پشتيبان (SVM) در پيش‌بيني جريان ماهانۀ رودخانه (مطالعۀ موردي: رودخانۀ قزل‌اوزن)

در يك دهۀ اخير، روش‌هاي هوش مصنوعي بيش‌ترين كاربرد را در شبيه‌سازي فرآيندهاي مختلف از جمله فرآيندهاي هيدرولوژيكي داشته‌اند، اما نتايج اين روش‌ها همواره با عدم ‌قطعيت همراه بوده‌اند. يكي از راه‌حل‌هايي كه مي‌تواند تا حدودي اين مشكل را حل نمايد، تحليل عدم قطعيت پيش‌بيني‌هاي صورت گرفته است. در مطالعۀ حاضر عدم‌قطعيت نتايج مدل‌هاي شبكۀ عصبي مصنوعي (ANN) و ماشين بردار پشتيبان (SVM) در پيش‌بيني جريان ماهانۀ رودخانه با استفاده از شبيه‌سازي مونت-كارلو و مقادير 95PPU و d-factor مورد ارزيابي قرار گرفته است. در اين پژوهش از داده‌ها و سري زماني جريان ماهانۀ رودخانۀ قزل‌اوزن در يك دورۀ 39 ساله از سال 1355 تا 1393 براي ايستگاه آب‌سنجي بيانلو-يساول استفاده شده است كه 75 درصد داده‌ها براي آموزش و 25 درصد براي آزمون مدل‌ها به‌كار رفته است. در اين مدل‌ها به‌منظور تخمين جريان رودخانه، شش تركيب مختلف ورودي شامل جريان يك، دو و سه ماه قبل و شمارۀ ماه‌هاي جريان مورد استفاده قرار گرفت. براي ارزيابي مدل‌ها از معيارهاي آماري ضريب همبستگي (R) و ريشۀ ميانگين مربعات خطا (RMSE) استفاده شد. نتايج نشان داد كه اگر چه مدل ANN با مقادير R مساوي با 0.757 و RMSE مساوي با 9.45 داراي عملكرد خوبي نسبت به مدل SVM با مقادير R مساوي با 0.729 و RMSE مساوي با 10.946 در پيش‌بيني جريان رودخانه است. اما نتايج اين مدل با عدم ‌قطعيت زيادي همراه است. مقايسۀ تحليل عدم ‌قطعيت نتايج مدل‌ها نشان داد كه مدل SVM با مقادير d-factor و 95PPU به‌ترتيب برابر با 0.155 و 17.241 نسبت به مدل ANN با مقادير d-factor و 95PPU به‌ترتيب برابر با 0.993 و 85.470 از عدم ‌قطعيت كم‌تري برخوردار است و از اين لحاظ بر مدل ANN برتري دارد. مطابق نتايج اين پژوهش بايد با در نظر گرفتن اين نكته كه مدل‌هاي پيشرفتۀ هوش مصنوعي نيز داراي عدم ‌قطعيت هستند، نسبت به كاربرد اين روش‌ها در زمينه‌هاي مديريت ريسك و برنامه‌ريزي‌هاي آينده اقدام كرد تا بهترين عملكرد را به‌دست آورد.