بررسی عملکرد مدل‌های svr و gep در پیش‌بینی نوسانات ماهانه تراز آب دریاچه ارومیه

پیش‌بینی نوسانات سطح آب دریاچه‌ها از جمله موارد مهم در مدیریت و برنامه‌ریزی منابع آب است. در سال‌های اخیر کاهش شدید تراز آب دریاچه ارومیه اثرات زیست‌محیطی مخربی را در این منطقه داشته است. در این تحقیق عملکرد مدل‌های ماشین بردار پشتیبان و برنامه‌ریزی بیان ژن با استفاده از شش الگوی متفاوت در خلال سال‌های 1388-1355 برای پیش‌بینی تراز آب دریاچه ارومیه بررسی شد، تا بهترین الگو برای پیش‌بینی تراز آب دریاچه معرفی گردد. در چهار الگو از داده‌های تاریخی تراز و در دوالگوی دیگر از بارش، تبخیر و نشت و تراز آب استفاده شد. نتایج نشان داد که مدل برنامه‌ریزی بیان ژن عملکرد بهتری نسبت به مدل رگرسیون بردار پشتیبان دارد و با افزایش ورودی برای آموزش مدل عملکرد آن افزایش می‌یابد. هم چنین در بهترین حالت مقدار میانگین مربعات خطا و ضریب تبیین به ترتیب برابر 0.08 متر و 0.99 برای مدل gep، 0.60 متر و 0.92 برای مدل svrبه دست آمد.

Evaluate the Performance of SVR and GEP Models in Predicting the Monthly Fluctuations in Water Level of Urmia Lake

Prediction of lake level fluctuations is one of the most important issues in water resources planning and management. In recent years, the significant decline in water level of Urmia Lake had detrimental environmental impacts on this region. In this study, the performance of genetic expression programming and support vector regression models for predicting Urmia Lake water level was evaluated based on six different patterns during 19762009 to determine the best input pattern. The historical data of water level were used in four patterns, and precipitation, evaporation, seepage and water level were used in two other patterns. The results showed that the genetic expression programming had better performance than SVR model and the model performance improves with increasing input for model training. Also, at the best pattern the mean square error and coefficient of determination were calculated 0.08 m and 0.99 for GEP model and 0.60 m and 0.92 for SVM, respectively.