بهره گیری از روش های رگرسیون بردار پشتیبان و شبکه عصبی مصنوعی در مدلسازی بارش رواناب (مطالعه موردی: حوضه آبریز سد صفارود)

مدل سازی بارش رواناب در اکثر پروژه‌های مدیریت و برنامه‌ریزی منابع آب و کنترل سیلاب امری ضروری و پیچیده می‌باشد. در این تحقیق مدل‌هایی برای شبیه‌سازی فرآیند بارش رواناب در زیر حوضه سد صفا رود واقع در حوضه آبریز هلیل رود با استفاده از روش‌های شبکه عصبی مصنوعی پرسپترون چند لایه (mlp)، شبکه عصبی تابع شعاع مدار (rbf)، رگرسیون ماشین‌ بردار پشتیبان با توابع کرنل خطی (svr linear) و پایه شعاعی (svr rbf) در محیط نرم افزاری ibm spss modeler توسعه داده شده است. بدین منظور از داده‌های هیدرومتری ایستگاه هنجان و داده‌های بارش ایستگاه‌های هنجان، رابر، چشمه عروس و میدان واقع در منطقه مورد مطالعه طی دوره آماری 1394-1385 در مقیاس روزانه استفاده شد. 70 درصد داده‌ها به عنوان داده‌های آموزش و 30 درصد آنها به عنوان داده‌های آزمون مورد استفاده قرار گرفت. پس از محاسبۀ ضرایب همبستگی جزئی متغیرهای بارش و دبی، شش الگوی مختلف جهت مدلسازی رواناب روزانه ایستگاه هنجان تعیین شد. مقادیر شاخص‌های آماری متوسط قدر مطلق خطا (mae)، مجذور میانگین مربعات خطا (rmse) و ضریب همبستگی (r) در بهترین الگو‌ مرحله آزمون به ترتیب برابر 0.032، 0.229، 0.967 برای مدل svr linear 5 ایستگاه هنجان بدست آمدند. نتایج حاکی از عملکرد مناسب روش‌های mlp و svr linear در مدلسازی بارش رواناب در محدوده مورد مطالعه می‌باشد.

RainfallRunoff modelling using Support Vector Regression and Artificial Neural Network Models ( Case study: SafaRoud Dam Watershed)

Rainfallrunoff modeling is an important and complex aspect in most water resource management and planning projects. In this study, Perespetron multilayered artificial neural network (MLP), Radial basis function Neural Network (RBF), and support vector machine regression with linear kernel functions (SVR linear) were used to develop some models in SPSS to simulate Rainfallrunoff process in subarea of Safaroud dam, located in Halil Rood watershed. To do so, hydrometric data of Hanjan station and rainfall data of Hanjan, Rabor, Cheshme Aroos, and Meidan stations, located in the studied area, were used. 70% of the data were used as training data and 30% were used as test data. After calculating the partial correlation coefficients of the rainfall and discharge, six different patterns were used to model the daily rainfall of Hanjan station. In the best pattern of the test level, for SVR Linear 5 model, Mean Absolute error (MAE), Root Mean Squared Error (RMSE) and correlation coefficient (r) were equal to 0.032, 0.229, and 0.967, respectively. The results proved the efficient performance of MLP and SVR Linear in Rainfallrunoff modeling in the studied area.