STAGE-DISCHARGE MODELING USING SUPPORT VECTOR MACHINES

ايجاد منحني هاي ارزيابي توسط هيدرولوژيست ها اغلب براي تخمين جريان در نهر و رودخانه ها و ... مورد نياز مي باشد. اندازه گيري مقادير مربوط به تخليه در يك رودخانه يك فرايند وقت گير، پرهزينه و دشوار است و روش متعارف آناليز رگرسيون رابطه مرحله تخليه نتايج دلگرم كننده اي به ويژه در زمان سيل ارايه نمي-دهد. مطالعه حاضر با هدف به كارگيري از ماشين برداري پشتيبان (SVMs) مبتني بر الگوريتمي براي مدل سازي رابطه مرحله تخليه با در نظر گرفتن اثر پسماند صورت گرفته است. از يك سري داده به دست آمده از دو ايستگاه اندازه گيري تخليه واقع در دو رودخانه هندي براي آناليز در مطالعه حاضر استفاده شده است. از مدل انتشار پس خور شبكه عصبي به منظور مقايسه عملكرد نتايج بر اساس ماشين برداري پشتيبان، مبتني بر روش مدل سازي استفاده گرديده است. نتيجه مطالعه نشان مي دهد كه ماشين برداري پشتيبان براي هر دو مجموعه داده ها به خوبي عمل كرده و نتايج اميدوار كننده اي در مقايسه با تكنيك شبكه عصبي به بار آورده است. در نهايت، نتايج همچنين حاكي از مناسب بودن الگوريتم SVMs در پيش بيني منحني ارزيابي حلقه اي با اثر پس ماند مي باشند

Establishment of rating curves are often required by the hydrologists for flow estimates in the streams, rivers etc. Measurement of discharge in a river is a time-consuming, expensive, and difficult process, and the conventional approach of regression analysis of stage-discharge relation does not provide encouraging results especially during the floods. Present study is aimed at the application of support vector machines (SVMs) based algorithm for modelling stage-discharge relation including the hysteresis effect. A data set of two discharge-measuring stations located on two Indian rivers has been used for analysis in the present study. A back propagation neural network model was employed in order to compare the performance of the results based on support vector machines based modelling technique. The outcome of the study suggests that the support vector machines works well for both the data sets and produce promising results in comparison to the neural network technique. Finally, the results also suggest the suitability of SVMs algorithm in predicting the looped rating curve having hysteresis effect.