ارزيابي عملكرد روش‌هاي ماشين‌بردار پشتيبان و سيستم استنتاج عصبي فازي تطبيقي در پيش‌بيني جريان ماهانه رودخانه‌ها (مطالعه موردي رودخانه‌هاي نازلو و سزار)

Evaluation of Support Vector Machine and Adaptive Neuro-Fuzzy Inference System Performance in Prediction of Monthly River Flow (Case Study: Nazlu chai and Sezar Rivers)

در سال هاي اخير با رشد فناوري، روش هاي نوين براي حل مسايل غيرخطي نظير پيش بيني جريان رودخانه ها به صورت قابل ملاحظه اي توسعه يافته است. از جمله روش هايي كه اخيرا توسط محققان مختلف در اين زمينه مورد استفاده قرار گرفته است مدل هاي ماشين بردار پشتيبان (SVM) و سيستم استنتاج عصبي فازي تطبيقي (ANFIS) مي باشد. در اين مطالعه از روش هاي مذكور براي پيش بيني جريان ماهانه رودخانه هاي نازلوچاي و سزار در دوره آماري 1395-1335 استفاده شد. در ابتدا الگوهاي ورودي در دو حالت الف) استفاده از داده هاي جريان و در نظر گرفتن نقش حافظه و ب) تاثير دادن ترم پريوديك آماده و به مدل ها معرفي گرديد. مدل سازي براساس 80 درصد داده هاي تاريخي ثبت شده صورت گرفت (576 ماه) و با 20 (144 ماه) درصد بقيه ارزيابي گرديد. عملكرد مدل هاي به كار رفته با شاخص هاي آماري مجذور ميانگين مربعات خطا (RMSE)، نش- ساتكليف (NS) و ميانگين قدر مطلق خطاي نسبي (MARE)، مورد بررسي قرار گرفت. نتايج حاصل نشان داد كه روش SVM با تابع كرنل RBF بيش ترين دقت را در پيش بيني جريان ماهانه هر دو رودخانه داشته و استفاده از ترم پريوديك توانسته است عملكرد آن را به طور قابل ملاحظه اي افزايش دهد. همچنين كارايي مدل ANFIS نيز با استفاده از ترم پريوديك بهبود يافته و در محل ايستگاه تپيك در الگوي M7 و براي جريان رودخانه سزار با الگوي M6 كمترين خطا را در پيش بيني جريان داشته است. به طور كلي نتايج اين مطالعه نشان داد كه روش SVM از عملكرد بهتري نسبت به مدل ANFIS در پيش بيني جريان برخوردار بوده و انتخاب تابع كرنل مناسب تاثير مستقيمي بر كارايي آن دارد.

In recent years by growing technology, new methods have been substantially developed to solve nonlinear problems such as river flow forecasting. Among the available various methods, Support Vector Machine (SVM) and Adaptive Neuro-Fuzzy Inference System (ANFIS) models have been recently used by many researchers. In this study, these methods were used to predict the monthly flow of NazluChai and Sezar Rivers during 1956-2016 period. Firstly, the data were prepared in two modes: (a) using flow data and considering the role of memory; (b) influencing the periodic term. Modeling was done by 80% of the data (576 months) for training and the remaining 20% (144 months) for testing. The root mean square error (RMSE), Nash-Sutcliffe (NS) and mean absolute relative error (MARE) metrics were used to evaluate the performance of the proposed models. The results showed that the SVM method with the RBF kernel function had the best performance in predicting monthly flow of the studied rivers. In addition, the periodic term significantly increased the prediction accuracy of the SVM-RBF model. Also, the performance of the ANFIS method was improved by using the periodic term and this model had the least error in estimating the monthly flow of the Saesar and Nazlu chi Rivers in M6 and M7 patterns, respectively. In general, the results of this study showed that the SVM method performs better than the ANFIS model in monthly flow prediction and the selection of appropriate kernel function has a direct effect on its efficiency.