بررسی عملکرد مدل های هوشمند به منظور شبیه سازی فرآیند بارش-رواناب (مطالعه موردی: حوضه آبریز اترک)

بدلیل اهمیت پدیده بارش و محدودیت آب به ویژه در سال های اخیر، محاسبه هرچه دقیق تر مقدار رواناب حاصل از بارش در طرح های مدیریت منابع آب ضروری می باشد. در تحقیق حاضر بارش-رواناب روزانه ایستگاه قازانقایه در حوضه آبریز اترک از سال 1382 تا 1396 تهیه گردید. با استفاده از روش های محاسبات نرم از جمله برنامه ریزی بیان ژن و مدل ماشین بردار پشتیبان در کنار مدل رگرسیون خطی چندگانه شبیه سازی بارش-رواناب با هفت ترکیب ورودی مختلف صورت گرفت. پس از بررسی و تائید قابلیت هر یک از مدل های مذکور با بهره گیری از روش های آماری، عملکرد تمامی آن‏ها مورد مقایسه قرار گرفت. نتایج نشان داد که ماشین بردار پشتیبان با استفاده از داده‌های بارش و رواناب یک روز قبل و با داشتن جذر میانگین مربعات خطای 382/5 عملکرد بهتری نسبت به برنامه ریزی بیان ژن با خطای 729/5 و رگرسیون حطی چندگانه با خطای 945/5 داشته است.

evaluating the performance of intelligent models in simulating rainfall-runoff process (case study: atrak basin)

due to the importance of rainfall phenomenon and water constraint especially in recent years, accurate determination of rainfall runoff process is necessary in water resources management plans. so, in the present study, daily rainfall-runoff of the kazanaghey station in atrak basin from 2003 to 2017 was gathered. using soft computing methods such as gene expression programming and support vector machine along with multiple linear regression models, rainfall runoff process was simulated using seven different input combinations. after examining the capability of each model using statistical parameters, the performance of them were compared. results indicated that support vector machine using rainfall and previous runoff data with root mean squared error of 5.382 had better performance comparing to gene expression programming with root mean square error of 5.945.