شبیه سازی خودهمبسته جریان حوضه آبریز زرینه رود با استفاده از روش تجزیه پروکراستس و مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان

پیش­بینی جریان رودخانه­ها در حوضه­های آبریز نقش مهمی در بهره­برداری و مدیریت صحیح منابع آبی دارد. تعیین نوع و تعداد ورودی­ مدل­های تخمین­گر، یکی از مهم­ترین مراحل در پیش­بینی جریان رودخانه­ها می­باشد. بنابراین از روش تجزیه پروکراستس (PA) برای تعیین تعداد ورودی­های موثر استفاده شده است. در این تحقیق پیش­بینی جریان با استفاده از داده­های جریان ماهانه ایستگاه­های آب­سنجی صفاخانه و سنته انجام گرفته است. مدل شبکه عصبی مصنوعی (MLP) و مدل ماشین بردار پشتیبان (SVM) برای پیش­بینی جریان مورد استفاده قرار گرفته­اند. بهترین تخمین جریان با استفاده از مدل­های MLP و PA-MLP در ایستگاه آب­سنجی صفاخانه به­ترتیب با RMSE برابر با (m۳/s) ۶۸/۵ و (m۳/s) ۸۵/۴ و CC برابر با ۷۳/۰ و ۷۸/۰ و در ایستگاه آب­سنجی سنته به­ترتیب با RMSE برابر با (m۳/s) ۴۴/۶ و (m۳/s) ۳۶/۶ و CC برابر با ۷۸/۰ و ۷۹/۰ انجام شده است. مدل­ PA-SVM نیز به­ترتیب با RMSE و CC برابر با (m۳/s) ۴۵/۵ و ۷۳/۰ در دوره صحت­سنجی نتایج بهتری را نسبت مدل SVM در تخمین جریان ایستگاه آب­سنجی صفاخانه داشته است. همچنین نتایج نشان داد که مدلهای SVM و PA-SVM جریان ایستگاه سنته را با RMSE به­ترتیب برابر با (m۳/s) ۸۵/۶ و (m۳/s) ۰۳/۷ تخمین زدهاند. در حالت کلی نتایج نشان داد که روش تجزیه پروکراستس می­تواند به­عنوان یکی از روش های کارآمد و مناسب جهت تعیین تعداد ورودی موثر مورد استفاده قرار گیرد. مقایسه نتایج مدل­های MLP و SVM نیز نشان داد که مدل MLP از دقت بیشتری نسبت به مدل SVM برخوردار است.

کلیدواژه ها:

پیش بینی جریان ، تجزیه پروکراستس ، شبکه عصبی مصنوعی ، ماشین بردار پشتیبان