بررسی عملکرد مدل های سری زمانی و مدل های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و برنامه‏ریزی بیان ژن خودهمبسته در شبیه سازی رواناب ماهانه (مطالعه موردی: حوضه خرخره چای)

افزایش دقت تخمین رواناب در حوضه های فاقد داده های هواشناسی نقش مهمی در مدیریت صحیح منابع آب این حوضه ها دارد. در این راستا شبیه سازی خود همبسته می تواند مفید واقع گردد. در مطالعه حاضر، کارایی سه مدل داده کاوی شامل شبکه عصبی مصنوعی، برنامه ریزی بیان ژن و ماشین بردار پشتیبان در کنار مدل های سری زمانی برای پیش بینی رواناب ماهانه در حوضه خرخره چای مورد ارزیابی قرار گرفت. برای این منظور، در ابتدا ترکیب های مختلف ورودی به مدل ها که باید در تخمین جریان رودخانه در نظر گرفته شوند، تعیین شدند. همچنین تاثیر ساختار مختلف مدل ها بر شبیه سازی جریان از طریق به کار گیری آنها و مقایسه نتایج به دست آمده، مورد بررسی قرار گرفت. در این راستا، مدل های خطی خود همبسته، خود همبسته با میانگین متحرک و خود همبسته میانگین متحرک یکپارچه، شبکه عصبی پرسپترون چند لایه، برنامه ریزی بیان ژن با چهار و سیزده تابع ریاضی و مدل ماشین بردار پشتیبان با سه تابع کرنل به منظور شبیه سازی خودهمبسته جریان ماهانه (طی دوره 90 1367) به کار گرفته شدند. نتایج نشان داد مدل پرسپترون چند لایه (3,5) با مقادیر ضریب همبستگی و جذر میانگین مربعات خطا به ترتیب برابر با 0.84 و 8.21 متر مکعب بر ثانیه در دوره واسنجی و مقادیر 0.86 و 5.66 متر مکعب بر ثانیه در دوره صحت سنجی بیشترین دقت را در شبیه سازی رواناب ماهانه نسبت به سایر مدل ها داشتند.