Abstract:
امروزه مدلهای هیبریدی هوش مصنوعی به عنوان یک روش مناسب برای شبیهسازی پدیدههای هیدرولوژیکی از جمله برآورد کمی جریان رودخانهها مطرح است. بدین منظور جهت برآورد میزان آبدهی رودخانهها رویکردهای متنوعی در هیدرولوژی وجود دارد که مدلهای هوش مصنوعی از مهمترین آنها میباشد. بنابراین در این پژوهش عملکرد مدلهای رگرسیون بردار پشتیبان_ موجک، رگرسیون بردار پشتیبان_گرگ خاکستری و رگرسیون بردار پشتیبان_خفاش جهت شبیهسازی دبی رودخانه کشکان واقع در استان لرستان طی دورهی آماری 1399-1389 در مقیاس زمانی روزانهی مورد تجزیه و تحلیل قرار گرفت. معیارهای ضریب همبستگی، ریشهی میانگین مربعات خطا و میانگین قدر مطلق خطا و بایاس برای ارزیابی و عملکرد مدلها انتخاب شد. نتایج نشان داد الگوهای ترکیبی نتایج قابل قبولی در شبیهسازی دبی رودخانه دارند. مقایسهی مدلها نیز نشان داد مدل رگرسیون بردار پشتیبان-موجک در مرحلهی صحتسنجی مقادیر 960/0R2=، 045/0RMSE=، 024/0MAE =، 968/0NS= و001/0BIAS= در پیشبینی جریان روزانهی رودخانه از خود نشان داده است. در مجموع نتایج نشان داد استفاده از مدل هیبریدی رگرسیون بردار پشتیبان-موجک میتواند در زمینهی پیشبینی دبی روزانه مفید باشد.
Today, hybrid models of artificial intelligence are considered as a suitable method for simulating hydrological phenomena, including quantitative estimation of river flow. For this purpose, there are various approaches in hydrology to estimate the flow rate of rivers, of which artificial intelligence models are the most important. Therefore, in this study, the performance of support vector-wavelet regression, backup vector-gray wolf regression and bat-support vector regression models to simulate the flow of Kashkan river located in Lorestan province during the statistical period of 2010-2011 in the daily time scale were analyzed. The criteria of correlation coefficient, root mean square error and mean absolute value of error and bias were selected for evaluation and performance of the models. The results showed that the hybrid models have acceptable results in simulating the river discharge. Comparison of models also showed that the support-wavelet vector regression model in the validation stage showed values of R2 = 0.960, RMSE = 0.045, MAE = 0.024, NS = 0.968 and BIAS = 0.001 in predicting daily river flow. . Overall, the results showed that the use of hybrid support-wavelet regression model can be useful in predicting daily discharge.
Machine summary:
بنابراین در این پژوهش عملکرد مدل های رگرسیون بردار پشتیبان _ موجک ، رگرسیون بردار پشتیبان _گرگ خاکستری و رگرسیون بردار پشتیبان _خفاش جهت شبیه سازی دبی رودخانه کشکان واقع در استان لرستان طی دوره ی آماری ١٣٩٩-١٣٨٩ در مقیاس زمانی روزانه ی مورد تجزیه و تحلیل قرار گرفت .
لذا هدف این پژوهش شبیه سازی جریان روزانه رودخانه کشکان با استفاده از رگرسیون بردار پشتیبان -موجک ، رگرسیون بردار پشتیبان -گرگ خاکستری و رگرسیون بردار پشتیبان - خفاش می باشد.
جدول (١): ترکیب های منتخب پارامترهای ورودی (به تصویر صفحه رجوع شود) ٣-١- نتایج بررسی عملکرد مدل های هیبریدی مدل ها و الگوریتم های این تحقیق با یک مجموعه داده آزمایش مورد ارزیابی قرار گرفتند و بیشترین کارایی برای مدل سازی و تحلیل بیشتر انتخاب شد.
در این میان ، مدل هیبرید ماشین بردار پشتیبان -موجک دقت بیشتر و خطای کمتری نسبت به مدل رگرسیون بردار پشتیبان - گرگ خاکستری و رگرسیون بردار پشتیبان -خفاش از خود نشان داده است .
درمجموع این تحقیق نشان میدهد استفاده از مدل ترکیبی ماشین بردار پشتیبان _ موجک میتواند در زمینه پیش بینی جریان روزانه رودخانه ها مؤثر باشد.
Application of Hybrid Support Vector machine models in Predicting River Flow Karkhe basin.
Comparing the performance of Support Vector Machines, Gene Expression Programming and Bayesian networks in predicting river flow (Case study: Kashkan River), Journal of Soil and Water Conservation Research, 24(4):161-177.
A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer, Journal of Hydrol, 396(4): 128–138.