ارزیابی تاثیر نرمال سازی توزیع احتمالاتی رواناب ماهانه بر عملکرد مدل های SVM و ANN در شبیه سازی جریان ماهانه رودخانه ها (مطالعه موردی: حوزه زرینه رود)

تخمین دقیق مقدار رواناب رودخانه­ها از اقدامات اساسی در مدیریت منابع آب حوزه­ها می­باشد. شبکه عصبی مصنوعیANN)) و ماشین بردار پشتیبان (SVM) از مهم­ترین مدل­های داده­کاوی هستند که میتوانند برای این منظور مدنظر قرار گیرند. با توجه به مبتنی بودن این مدل­ها به داده­ها ، نوع توزیع احتمالاتی داده­ها می­تواند تاثیر چشمگیری بر عملکرد آن­ها در شبیه­سازی جریان داشته باشد. برای بررسی این موضوع حوزه زرینه­رود به­عنوان منطقه مورد مطالعه انتخاب شده و ارزیابی­های مورد نظر در سه ایستگاه آب­سنجی واقع در آن صورت گرفت. در این راستا در ابتدا با استفاده از آزمون شاپیرو-ویلک تبعیت نمودن توزیع احتمالاتی داده­های مشاهداتی اولیه از نرمال مورد بررسی قرار گرفته و سپس نرمالسازی توزیع داده­ها انجام شد. در ادامه کارایی هر یک از مدل­های ANN و SVM در شبیه­سازی رواناب ماهانه سه ایستگاه آب­ سنجی برای داده­های مشاهداتی و نرمال شده جریان مورد ارزیابی قرار گرفت. براساس نتایج این تحقیق مقادیر شاخص­های ضریب همبستگی(CC) و جذر میانگین مربعات خطا (RMSE) در دوره صحت­سنجی برای ایستگاه­های صفاخانه، سنته و پل آنیان در مدل ANN به ترتیب ۷۱/۰، (m۳/sec) ۹۳/۵، ۸۰/۰، (m۳/sec) ۵۸/۶ و ۸۲/۰، (m۳/sec) ۹۰/۲۲ بدست آمد. در مدل SVM برای این شاخص­ها در ایستگاه­ های مذکور به ترتیب مقادیر ۷۰/۰، (m۳/sec)۳۴/۶، ۷۸/۰، (m۳/sec)۰۲/۷ و ۷۹/۰، (m۳/sec)۳۱/۲۴ حاصل شد. نتایج نشان داد که در مدل ANN استفاده از جریان نرمال شده در ایستگاه­های پل آنیان، سنته و صفاخانه مقادیر CC را در دوره صحت­سنجی به ترتیب ۶، ۱۴ و ۱۱ درصد افزایش و مقادیر RMSE را به ترتیب ۹، ۱۹ و ۶ درصد کاهش می­دهد. در مدل SVM پس از نرمال­سازی داده­ها مقادیر CC و RMSE فقط برای ایستگاه سنته به میزان ۱۰ و ۱۶ درصد به ترتیب افزایش و کاهش می­یابد. همچنین نتایج نشان داد که مدل ANN با ورودی­های نرمال شده در هر سه ایستگاه آب­سنجی عملکرد بهتری نسبت به مدل SVM  دارد.

کلیدواژه ها:

ANN ، Monthly River Flow ، Normal Probabilistic Distribution ، SVM ، Zarrineh Rud Basin ، رواناب ماهانه ، ANN ، SVM ، توزیع احتمالاتی نرمال ، حوزه زرینه رود