پتانسیل مدل رگرسیون بردار پشتیبان هیبریدی برای پیش‌بینی دبی رسوبی رودخانه(مطالعه موردی: رودخانه کشکان-لرستان)

ارائه یک مدل پیش‌بینی قوی و قابل اعتماد برای میزان دبی رسوبی رودخانه ها یک کار ضروری برای چندین دیدگاه محیطی و ژئومورفولوژیکی از جمله کیفیت آب، پایداری مهندسی بستر رودخانه و زیستگاه‌های آبی است. در این تحقیق، یک رویکرد هوشمند ترکیبی جدید مبتنی بر رویکرد مدل رگرسیون بردار پشتیبان برای پیش‌بینی دبی رسوبی رودخانه توسعه داده شده است. بدین منظور در این پژوهش از دو الگوریتم بهینه سازی شامل کرم شب تاب و گرگ خاکستری برای مدلسازی دبی رسوبی رودخانه بکار برده شد. جهت مدلسازی از آمار و اطلاعات ایستگاه هیدرومتری رودخانه کشکان واقع در استان لرستان بعنوان مطالعه موردی طی 7 سناریو ترکیبی از پارامترهای ورودی در سالهای 1373-1403 استفاده شد. به منظور ارزیابی عملکرد مدلها از معیارهای ارزیابی ضریب همبستگی، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب نش ساتکلیف استفاده شد. نتایج نشان داد سناریو های ترکیبی در مدلهای مورد بررسی باعث بهبود عملکرد مدل می شود. همچنین نتایج حاصل از معیار ارزیابی نشان داد مدل رگرسیون بردار پشتیبان-کرم شب تاب دارای ضریب همبستگی 0.970 ، ریشه میانگین مرعات خطا (ton/day) 0.145 ، میانگین قدر مطلق خطا (ton/day) 0.080 و ضریب نش ساتکلیف 0.980 در مرحله صحت سنجی برخوردار است. در مجموع نتایج نشان داد استفاده از مدلهای هوشمند مبتنی بر رویکرد رگرسیون بردار پشتیبان می تواند رویکردی موثر در پایداری مهندسی رودخانه باشد.

the potential of the hybrid support vector regression model for predicting river sediment discharge (case study: keshkan-lorestan river)

providing a robust and reliable predictive model for river sediment discharge is an essential task for several environmental and geomorphological perspectives, including water quality, riverbed engineering sustainability, and aquatic habitats. in this research, a new hybrid intelligent approach based on the support vector regression model approach has been developed to predict river sediment discharge. for this purpose, in this research, two optimization algorithms including firefly and gray wolf were used to model the sediment discharge of the river. in order to model, the statistics and information of the kashkan river hydrometric station located in lorestan province were used as a case study in 7 combined scenarios of input parameters in 1403-1373. in order to evaluate the performance of the models, the evaluation criteria of correlation coefficient, root mean square error, average absolute value of error, and nash sutcliffe coefficient were used. the results showed that the combined scenarios in the studied models improved the performance of the model. also, the results of the evaluation criteria showed that the support vector regression model-firefly has a correlation coefficient of 0.970, the root mean error rate (ton/day) is 0.145, the mean absolute error value (ton/day) is 0.080 and the coefficient nash sutcliffe has 0.980 in the validation stage. in total, the results showed that the use of intelligent models based on the support vector regression approach can be an effective approach in the sustainability of river engineering.