کاربرد مدل‏ های ls-svm، ann، wnn و gep در شبیه‏ سازی بارش‌ رواناب رودخانۀ خیاوچای

پیش‏بینی جریان رودخانه به‌منظور مدیریت و برنامه‏ریزی منابع آب در رودخانه‏ها، دریاچه‏ها، مخازن سدها و همچنین برای حفاظت کناره‏های رودخانه در زمان وقوع سیلاب انجام می‏گیرد. در این تحقیق از مدل‏های شبکه‏های عصبی مصنوعی، هیبرید‏ موجک‌ عصبی، برنامه‏ریزی بیان ژن و کمترین مربعات ماشین بردار پشتیبان به‌منظور تخمین جریان روزانۀ رودخانۀ خیاوچای استفاده شد. بدین‌منظور داده‏های دبی و بارش روزانۀ ایستگاه هیدرومتری پل سلطانی واقع بر رودخانۀ یادشده طی دورۀ آماری 1378‌ 1392 به‏کار گرفته شد. پس از محاسبۀ ضرایب همبستگی متقابل متغیرهای بارش و دبی، شش الگوی مختلف به‌منظور تخمین رواناب روزانه تعیین شد. برای ارزیابی مدل‏ها از شاخص‏های آماری و آزمون anova استفاده شد. نتایج بیان‌کنندۀ برتری مدل هیبرید‏ موجک‌ عصبی با بیشترین ضریب همبستگی (0.877=r)، کمترین ریشۀ میانگین مربعات خطا (0.696=rmse) و ضریب نش ساتکلیف برابر 0.767 در مرحلۀ صحت‏سنجی بود. نتایج آزمون آنوا نیز نتایج شاخص‏های آماری را تایید کرد و مدل هیبرید موجک‌ عصبی با داشتن کمترین مقدار آمارۀ f (0.11) و بیشترین سطح معناداری (0.75) به‌عنوان بهترین مدل شناخته شد. در برآورد دبی بیشینه (سیلاب) نیز مدل یادشده با میانگین خطای نسبی 30.19 درصد، به مقدار شایان توجهی خطای کمتری نسبت به سایر مدل‏ها داشت.