رویکردی جدید در روندیابی سیلاب بر مبنای تلفیق تئوری بیز، ماشین بردار پشتیبان و الگوریتم بهینه‌ سازی فرا ابتکاری

روندیابی سیل از طریق رودخانه‌ها، به منظور کنترل و جلوگیری از خسارات ناشی از سیل، از اقدامات مهم به شمار می‌آید. پیش‌بینی هیدروگراف سیلاب به طور کلی به دو روش هیدرولوژیکی (ماکسینگام و عددی) و یا روش‌های هیدرولیکی (حل معادلات سنت- ونانت) انجام می‌شود. روش‌های عددی به علت کم بودن پارامترها، هزینه کم محاسبات و در نهایت دقت مناسب، بصورت گسترده مورد توجه قرار دارد. در این مطالعه، به بررسی کاربرد هوش مصنوعی برای روندیابی جریان رودخانه پرداخته شده است. به این منظور، از الگوریتم ترکیبی، استراتژی تکاملی انطباق ماتریس کوواریانس (cmaes) و ماشین بردار بیزین (rvm)استفاده شده است. همچنین، نتایج آن با خروجی‌های حاصل از الگوریتم‌های طبقه بندی درخت تصمیم (cart)، الگوریتم تقویت گرادیان مضاعف xgboost، ماشین بردار بیزین ساده (rvm)و جنگل تصادفی (rf) مورد مقایسه قرار گرفته است. در نهایت برای ارزیابی عملکرد و کارآیی الگوریتم‌ها، از معیارهای ارزیابی میانگین مطلق خطای (mae)، ریشه میانگین مربعات خطا (rmse)و ضریب تعیین (r^2) استفاده شده است. محاسبات روندیابی سیل در بازه‌ ملاثانی اهواز (به عنوان مطالعه موردی) برای دوره مطالعاتی 2011-2017 انجام شده است. نتایج بدست آمده، حاکی از موفقیت مناسب الگوریتم ترکیبی rvm – cmaes به عنوان ابزاری قدرتمند در بحث پیش‌بینی هیدروگراف، برای مدیریت سیلاب با معیارهای ارزیابی، mae=19.69 rmse=29.37 = و r^2=0.93 در دوره آموزش و 19/16mae= ، rmse=27.83 وr^2=0.94 در دوره آزمون می‌باشد. علاوه بر این نمودارهای تیلور و سری زمانی هیدروگراف روندیابی شده حاکی از برتری الگوریتم ترکیبی نسبت به سایر الگوریتم‌ها بوده است. الگوریتم پیشنهادی دارای پتانسیل بالا برای استفاده در سامانه‌های هشدار سیل و سایر مسائل مربوط به مدیریت منابع آب می‌باشد.

a new approach to flood frending based on bayesian theory separation, support vector machines, and meta-optimization algorithm

flood control through rivers is one of the important measures to control and prevent flood damage. flood hydrograph prediction is generally done using two hydrological methods (manning and numerical) or hydraulic methods (solving saint-venant equations). numerical methods are widely considered due to the fewer parameters, the low cost of calculations, and finally the appropriate accuracy. in this study, the use of artificial intelligence has been investigated for flow routing of the river. for this purpose, the combined algorithm, covariance matrix adaptation evolutionary strategy (cmaes), and bayesian vector machine (rvm) have been used. also, its results have been compared with the outputs of decision tree classification algorithms (cart), double gradient boosting algorithm xgboost, simple bayesian vector machine (rvm), and random forest (rf). finally, to evaluate the performance and efficiency of the algorithms, the evaluation criteria of mean absolute error (mae), root mean square error (rmse), and coefficient of determination (r2) have been used. calculations of flood routing in the mollasani area of ahvaz have been performed for the study period 2011-2017. the obtained results indicate the appropriate success of the combined rvm-cmaes algorithm as a powerful tool in hydrograph forecasting for flood management, with evaluation criteria of mae=19.69, rmse=29.37, and r2=0.93 in the training period, and mae=19, rmse=27.83, and r2=0.94 in the test period. furthermore, the taylor diagrams and the routed hydrograph time series demonstrate that the combined algorithm is superior to other algorithms. the proposed algorithm has high potential for use in flood warning systems and other issues related to water resource management.