)بررسي عملكرد مدل هاي سري زماني و مدل هاي شبكه عصبي مصنوعي، ماشين بردار پشتيبان و برنامه ريزي بيان ژن خودهمبسته در شبيه سازي رواناب ماهانه (مطالعه موردي: حوضه خرخره چاي

An Assessment of Time Series and Autoregressive Artificial Neural Network Models, Support Vector Machine and Gene Expression Programming Models Performance in Monthly River Flow Simulation (Case Study: Kherkherechi River Basin)

افزايش دقت تخمين رواناب در حوضه­ هاي فاقد داده ­هاي هواشناسي نقش مهمي در مديريت صحيح منابع آب اين حوضه­ ها دارد. در اين راستا شبيه­ سازي خود همبسته مي­ تواند مفيد واقع گردد. در مطالعه حاضر، كارايي سه مدل داده­ كاوي شامل شبكه عصبي مصنوعي، برنامه ­ريزي بيان ژن و ماشين بردار پشتيبان در كنار مدل ­هاي سري زماني براي پيش ­بيني رواناب ماهانه در حوضه خرخره ­چاي مورد ارزيابي قرار گرفت. براي اين منظور، در ابتدا تركيب­ هاي مختلف ورودي به مدل­ها كه بايد در تخمين جريان رودخانه در نظر گرفته شوند، تعيين شدند. همچنين تأثير ساختار مختلف مدل­ها بر شبيه ­سازي جريان از طريق به كار گيري آنها و مقايسه نتايج به ­دست آمده، مورد بررسي قرار گرفت. در اين راستا، مدل­هاي خطي خود همبسته، خود همبسته با ميانگين متحرك و خود همبسته ميانگين متحرك يكپارچه، شبكه عصبي پرسپترون چند لايه، برنامه ­ريزي بيان ژن با چهار و سيزده تابع رياضي و مدل ماشين بردار پشتيبان با سه تابع كرنل به منظور شبيه ­سازي خودهمبسته جريان ماهانه (طي دوره 90- 1367) به كار گرفته شدند. نتايج نشان داد مدل پرسپترون چند لايه (3,5) با مقادير ضريب همبستگي و جذر ميانگين مربعات خطا به ­ترتيب برابر با 0/84 و 8/21 متر مكعب بر ثانيه در دوره واسنجي و مقادير 0/86و 5/66 متر مكعب بر ثانيه در دوره صحت­سنجي بيشترين دقت را در شبيه­سازي رواناب ماهانه نسبت به ساير مدل­ها داشتند.

Selecting a model that simulate the runoff with high accuracy and less error, can be helpful in favorable management of water resources plans and increasing the performance of these plans. Also, increasing the accuracy of runoff simulation in the basins with no meteorological data, is of great significance in efficient management of water resources in these basins.