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

پیش بینی جریان رودخانه ها در حوضه های آبریز نقش مهمی در بهره برداری و مدیریت صحیح منابع آبی دارد. تعیین نوع و تعداد ورودی مدل های تخمین گر، یکی از مهم ترین مراحل در پیش بینی جریان رودخانه ها می باشد. بنابراین از روش تجزیه پروکراستس (pa) برای تعیین تعداد ورودی های موثر استفاده شده است. در این تحقیق پیش بینی جریان با استفاده از داده های جریان ماهانه ایستگاه های آب سنجی صفاخانه و سنته انجام گرفته است. مدل شبکه عصبی مصنوعی (mlp) و مدل ماشین بردار پشتیبان (svm) برای پیش بینی جریان مورد استفاده قرار گرفته اند. بهترین تخمین جریان با استفاده از مدل های mlp و pamlp در ایستگاه آب سنجی صفاخانه به ترتیب با rmse برابر با (m3/s) 68/5 و (m3/s) 85/4 و cc برابر با 73/0 و 78/0 و در ایستگاه آب سنجی سنته به ترتیب با rmse برابر با (m3/s) 44/6 و (m3/s) 36/6 و cc برابر با 78/0 و 79/0 انجام شده است. مدل pasvm نیز به ترتیب با rmse و cc برابر با (m3/s) 45/5 و 73/0 در دوره صحت سنجی نتایج بهتری را نسبت مدل svm در تخمین جریان ایستگاه آب سنجی صفاخانه داشته است. همچنین نتایج نشان داد که مدل‏های svm و pasvm جریان ایستگاه سنته را با rmse به ترتیب برابر با (m3/s) 85/6 و (m3/s) 03/7 تخمین زده‏اند. در حالت کلی نتایج نشان داد که روش تجزیه پروکراستس می تواند به عنوان یکی از روش‌های کارآمد و مناسب جهت تعیین تعداد ورودی موثر مورد استفاده قرار گیرد. مقایسه نتایج مدل های mlp و svm نیز نشان داد که مدل mlp از دقت بیشتری نسبت به مدل svm برخوردار است.

Autoregressive simulation of Zarrinehrud river basin runoff using Procrustes analysis method and artificial neural network and support vector machine models

Rivers flow prediction in river basins has an important role in the operation and correct management of water resources. Determining type and number of estimator models inputs is one of the important steps in rivers flow prediction. Therefore, The Procrustes analysis (PA) method for determining the number of effective inputs was used. In this study, flow prediction was done using the flow data obtained from the Safakhaneh and Santeh hydrometric stations. The Artificial Neural Network (ANN) and The Support Vector Machine (SVM) models was used for flow prediction. The best estimation of flow is done using the MLP and SVM models in Safakhaneh hydrometric station with RMSE equal to 5.68 (m3/s) and 4.85 (m3/s), respectively, and CC equal to 0.73 and 0.78, respectively. While in Santeh hydrometric station RMSE was equal to 6.44 (m3/s) and 6.36 (m3/s) respectively, and CC was equal to 0.78 and 0.79 respectively for MLP and SVM models. PASVM model showed better results than SVM model in estimating Safakhaneh hydrometric stations flow with RMSE equal to 5.45 (m3/s) and CC equal to 0.73 during the test period. The results also indicated that SVM and PASVM models estimated the flow of Santeh station with RMSE equal to 6.85 (m3/s) and 7.03 (m3/s) respectively. Basically, results indicated that the Procrustes analysis method can be used as one of the Efficient and suitable methods for determining the number of effective inputs. Comparison of the ANN and SVM results indicated that ANN model has more accuracy than SVM model.