مقايسه عملكرد روش‌هاي هوش مصنوعي ANN و SVM در مدل‌سازي فرايند بارش – رواناب (مطالعه موردي: حوضه آبخيز كارون شمالي)

Comparison of the Performance of ANN and SVM Methods in Rainfall- Runoff Process Modeling (Case Study: North Karun Watershed)

شبيه‌سازي فرايند بارش- رواناب در حوضه آبخيز از نقطه نظر درك بهتر مسائل هيدرولوژيك، مديريت منابع آب، مهندسي رودخانه، سازه‌هاي كنترل سيل و ذخيره سيلاب اهميت ويژه‌اي دارد. در اين تحقيق، به‌منظور شبيه‌سازي فرايند بارش– رواناب از داده‌هاي بارش و دبي جريان در دوره زماني 1396-1376 استفاده شد. بعد از كنترل كيفي و صحت داده‌ها، تأخير بارش و دبي با استفاده از ضرايب خودهمبستگي، خود همبستگي جزئي و همبستگي متقارن در نرم‌افزار R Studio مشخص شد. سپس پارامترهاي مؤثر و تركيب بهينه نيز به‌روش آزمون گاما تعيين و براي اجراي مدل تحت سه سناريوي مختلف در نرم‌افزار MATLAB مورد استفاده قرار گرفتند. نتايج آزمون گاما نشان داد كه پارامترهاي بارش روز جاري، بارش يك روز قبل، دبي روز قبل و دو روز قبل داراي بيشترين تأثير در دبي خروجي حوضه هستند. همچنين تركيب‌هاي Pt Qt-1 و Pt Pt-1 Qt-1 Qt-2 Qt-3 مناسب‌ترين تركيب بهينه ورودي براي مدل‌سازي انتخاب شدند. نتايج مدل‌سازي نشان داد كه در مدل ماشين بردار پشتيبان تابع كرنل پايه شعاعي (RBF) نسبت به كرنل‌هاي چندگانه و خطي داراي عملكرد بهتري است. همچنين كارايي مدل شبكه عصبي مصنوعي (ANN) نسبت به مدل ماشين بردار پشتيبان (SVM) با تابع كرنل پايه شعاعي (RBF) بهتر است.

The simulation of the rainfall-runoff process in the watershed has particular importance for a better understanding of hydrologic issues, water resources management, river engineering, flood control structures, and flood storage. In this study, to simulate the rainfall-runoff process, rainfall and discharge data were used in the period 1997-2017. After data qualitative control, rainfall, and discharge delays were determined using the coefficients of autocorrelation, partial autocorrelation, and cross-correlation in R Studio software. Then, the effective parameters and the optimum combination were determined by the Gamma test method and used to implement the model under three different scenarios in MATLAB software. Gamma test results showed that today's precipitation parameters, precipitation of the previous day, discharge of the previous day, and discharge of two days ago have the greatest effect on the outflow of the basin. Also, the Pt Qt-1 and Pt Pt-1 Qt-1 Qt-2 Qt-3 combinations were selected as the most suitable input combinations for modeling. The results of the modeling showed that in the support vector machine model, the Radial Base kernel Function (RBF) has a better performance than multiple and linear kernels. Also, the performance of the Artificial Neural Network model (ANN) is better than the Support Vector Machine model (SVM) with Radial Base kernel Function (RBF).