ارزیابی مدل‌های هوش مصنوعی در مدل‌سازی جریان رودخانه، مطالعه موردی: رودخانه گاماسیاب

با پیش بینی جریان رودخانه ‌ها علاوه‌ بر مدیریت بهره ‌برداری از منابع آب، می ‌توان حوادث طبیعی نظیر سیل و خشکسالی را نیز پیش‌ بینی و مهار کرد. استفاده از مدل ‌های جدید در این زمینه می ‌تواند به مدیریت و برنامه‌ ریزی صحیح کمک کند. در این مطالعه، به ارزیابی سه مدل به ‌نام های، برنامه‌ریزی بیان ژن (gep)، شبکه بیزین (bn) و ماشین بردار پشتیبان (svm) پرداخته شده است. داده ‌های مورد استفاده برای این پژوهش، داده‌ های بارش و جریان روزانه رودخانه گاماسیاب نهاوند در یک دوره 10 ساله (1391-1381) می‌ باشد. نتایج نشانگر برتری نسبی مدل برنامه‌ریزی بیان ژن نسبت به بقیه مدل ‌ها بود و مدل ماشین بردار پشتیبان (svm) تقریبا عملکرد بهتری نسبت به شبکه بیزین در مدل‌سازی جریان روزانه رودخانه داشت. علاوه بر این، سرعت اجرای مدل برنامه‌ ریزی بیان ژن نسبت به بقیه مدل‌ها بیشتر بود و در زمان کوتاهی قادر به ارائه نتایج بود. همچنین، مدل svm در تخمین مقادیر کمینه پایانی نیز دچار بیش برازش شده است. در نهایت مدل برنامه‌ریزی بیان ژن با ضریب تبیین 0.9230 و جذر میانگین مربعات 0.5867 در مرحله آموزش و ضریب تبین 0.9025 و جذر میانگین مربعات 0.4936 در مرحله تست، به‌عنوان مدل برتر انتخاب شد.

Evaluation of artificial intelligence models in river flow modeling, case study: Gamasiab River

Having predicted river flow, we can predict and control natural disasters such as flood and drought in addition to managing utilization of water resources. New models in this domain can help correct management and planning. In this study, three models are evaluated: Gene Expression Planning (GEP), Bayesian Network (BN), and Support Vector Machine (SVM). The data used for this research is precipitation data and daily flow of Gamasiab River in Nahavand during 10 years period (13811391). Results indicated that the relative superiority of the gene expression planning model to other models and better performance of SVM model in comparison with BN in daily river flow modeling. In addition, implementing gene expression planning model was faster than other models and could provide results in a short time. The SVM model is also more fitted to estimate the final minimum values. Finally, GEP model with coefficient of determination of 0.9230 and root mean square of 0.5867 in the training phase and coefficient of determination of 0.9025 and root mean square of 0.4936 in the test phase was selected as the superior model.