پیش بینی بارش- رواناب با استفاده از روش هوشمند پایه کرنلی

مدلسازی فرآیند بارش- رواناب و پیش بینی دبی رودخانه یک اقدام مهم در مدیریت و مهار سیلاب ها، طراحی سازه-های آبی در حوزه های آبخیز و مدیریت خشکسالی است. در واقع، برآورد مقدار دقیق فرآیندهای هیدرولوژیکی مانند بارش و رواناب می تواند اطلاعات موثری را در ارتباط با برنامه ریزی های شهری و مدیریت منابع آب برای یک حوضه فراهم کند. در این تحقیق کارایی روش مبتنی بر کرنل ماشین بردار پشتیبان (svm) در تخمین جریان ماهانه حوضه رودخانه اهرچای مورد بررسی قرار گرفته است. مدل های مختلفی بر اساس پارامترهای بارش، دما و دبی ماه های پیشین تعریف گردید و نتایج به دست آمده با یکدیگر مقایسه شد. نتایج حاصله نشان داد که روش به کار رفته در تحقیق در مدلسازی بارش- رواناب دارای دقت بالایی است. مطابق با نتایج حاصله مدل با پارامترهای ورودی دبی و بارش ماهانه مربوط به ماه کنونی و یک ماه گذشته منجر به تخمین دقیق تری شد. همچنین مشاهده شد که استفاده از پارامترهای دبی و دمای یک ماه قبل دقت مدل ها را افزایش داده و در مدلسازی تاثیرگذار هستند.

prediction of rainfall-runoff using kernel-based intelligent method

modeling of rainfall-runoff process and river discharge prediction is an important step in flood management and control, design of water structures in watersheds and drought management. in fact, accurate estimation of hydrological processes such as rainfall and runoff can provide effective information for urban planning and water resources management for a basin. in this study, the efficiency of svm based kernel based method on estimation of monthly flow of aharchay basin is investigated. different models were defined based on the parameters of precipitation, temperature and discharge of the previous months and the results were compared with each other. the results showed that the method used in the research has high accuracy in rainfall-runoff modeling. based on the results, the model with the input parameters of monthly discharge and precipitation of the current and previous month resulted in a more accurate estimation. it was also observed that the use of previous month discharge and temperature parameters increased the accuracy of the models and were effective in modeling.