كاربرد مدل هاي WNN, ANN, LS-SVM و GEP در شبيه سازي بارش - رواناب رودخانه خياوچاي

Application of LS-SVM, ANN, WNN and GEP in rainfall- runoff modeling of Kiyav-Chay River

پيش بيني جريان رودخانه به‌منظور مديريت و برنامه ريزي منابع آب در رودخانه ها، درياچه ها، مخازن سدها و همچنين براي حفاظت كناره هاي رودخانه در زمان وقوع سيلاب انجام مي گيرد. در اين تحقيق از مدل هاي شبكه هاي عصبي مصنوعي، هيبريد موجك‌ـ عصبي، برنامه ريزي بيان ژن و كمترين مربعات ماشين بردار پشتيبان به‌منظور تخمين جريان روزانۀ رودخانۀ خياوچاي استفاده شد. بدين‌منظور داده هاي دبي و بارش روزانۀ ايستگاه هيدرومتري پل سلطاني واقع بر رودخانۀ يادشده طي دورۀ آماري 1378‌ـ 1392 به كار گرفته شد. پس از محاسبۀ ضرايب همبستگي متقابل متغيرهاي بارش و دبي، شش الگوي مختلف به‌ منظور تخمين رواناب روزانه تعيين شد. براي ارزيابي مدل ها از شاخص هاي آماري و آزمون ANOVA استفاده شد. نتايج بيان‌كنندۀ برتري مدل هيبريد موجك‌ـ عصبي با بيشترين ضريب همبستگي (0/877=R)، كمترين ريشۀ ميانگين مربعات خطا (0/696=RMSE) و ضريب نش ساتكليف برابر 0/767 در مرحلۀ صحت سنجي بود. نتايج آزمون آنوا نيز نتايج شاخص هاي آماري را تأييد كرد و مدل هيبريد موجك‌ـ عصبي با داشتن كمترين مقدار آمارۀ F (0/11) و بيشترين سطح معناداري (0/75) به عنوان بهترين مدل شناخته شد. در برآورد دبي بيشينه (سيلاب) نيز مدل يادشده با ميانگين خطاي نسبي 30/19 درصد، به مقدار شايان توجهي خطاي كمتري نسبت به ساير مدل ها داشت.

Streamflow forecasting is necessary for water resources management and planning in rivers, lakes, reservoirs and protection of river banks during flood. In this study, different soft computing models including artificial neural networks (ANN), the hybrid of wavelet-artificial neural networks (WANN), gene expression programming (GEP) and least square-support vector machines (LS-SVM) were utilized for river flow estimation of Khiav-Chay. Statistical measures and ANOVA test were used for evaluation of applied models. The results indicated that WANN model was the best model with the highest correlation coefficient (R=0.877) and the lowest root mean squared error (RMSE=0.696) and Nash Sutcliff coefficient (NS=0.767) in validation phase. The results of ANOVA test were in agreement with statistical criteria values and WANN model with the lowest F statistic (F=0.11) and the highest significant resultant (0.75) was selected as the best model. Furthermore, in estimation of maximum discharge, WANN with mean relative error of 30.19% has the minimum error of estimation compared to other models.