پیش‌بینی فرآیند بارش- رواناب با بهره‌گیری از مدل ترکیبی بهینه‌سازی تجمعی ذرات- ماشین بردار پشتیبان موجکی (مطالعه موردی: دشت سیلاخور)

مدل‌سازی و پیش‌بینی فرآیند بارش-رواناب نقش مهمی را در مدیریت منابع آب، برنامه ریزی های شهری، عملکرد مخازن سد و... ایفا می کند. ماشین بردار پشتیبان (svm) به عنوان یکی از مدل های نوین هوش مصنوعی، از قابلیت و انعطاف پذیری بالایی در پیش‌بینی داده های هیدرولوژیکی برخوردار است. در این پژوهش ایده ی  مدل‌سازی  فرآیند بارش-رواناب توسط مدل ترکیبی الگوریتم بهینه سازی تجمعی ذرات و ماشین بردار پشتیبان موجکی (pso-wt-svm) مطرح گردیده است. در ساختار الگوریتم svm پارامترهای ثابتی وجود دارد که می بایست توسط کاربر تعیین گردند بطوریکه انتخاب نامناسب این پارامترها موجب کاهش قابل توجه کارایی مدل می گردد. جهت حل این مشکل از الگوریتم بهینه سازی تجمعی ذرات (pso) برای یافتن مقادیر بهینه ی پارامترهای مدل svm استفاده شده و مدل ترکیبی pso-svm معرفی می شود. در گام بعدی، با انجام عمل پیش پردازش بر روی داده ها توسط تبدیل موجک (wt) مدل pso-wt-svm مطرح می گردد. نهایتا سری زمانی روزانه بارش-رواناب دشت سیلاخور واقع در استان لرستان توسط مدل ساده svm و مدل های ترکیبی pso-svm و pso-wt-svm  مدل‌سازی  و پیش‌بینی شده و دقت  مدل‌سازی  توسط دو معیار ضریب تبیین و میانگین مربع خطاها (rmse) مورد سنجش قرار می گیرد. نتایج حاصل از این  مدل‌سازی  در مرحله صحت سنجی نشان می دهد که مدل ترکیبی pso-svm و pso-wt-svm با ضریب تبیین به ترتیب 72/0 و 89/0 جایگزین بسیار مناسبی نسبت به مدل svm با ضریب تبیین 57/0 برای پیش‌بینی سری زمانی بارش-رواناب دشت سیلاخور می باشند.

rainfall-runoff process predicting using the hybrid model of particle swarm optimization-wavelet support vector machine (case study: silakhor plain)

rainfall-runoff modeling and predicting play an essential role in water resource managing, urban planning, reservoir operating, etc. support vector machine (svm), as one of the new models of artificial intelligence, has high capability and flexibility in predicting hydrological data. in this research, the idea of rainfall-runoff process modeling using the hybrid model of particle swarm optimization-wavelet transform-support vector machine (pso-wt-svm) is proposed. there are constant parameters in the svm algorithm that should be appropriately determined by the user, whereas a wrong choice of these parameters results in a significant reduction in the model performance. in order to solve this problem, the particle swarm optimization (pso) algorithm is employed to find the best values of svm constant parameters introducing the pso-svm hybrid model. in the next step, applying the wavelet transform (wt) pre-processing method on the raw data, this research aims at proposing pso-wt-svm hybrid model. finally, the daily rainfall-runoff time series of the silakhor plain located in lorastan province are modeled and forecasted using the svm single model, pso-svm, and pso-wt-svm hybrid models. the models’ accuracy is assessed using dc and rmse criteria. the results indicate that pso-svm and pso-wt-svm hybrid models with dc of 0.72 and 0.89, respectively, supersede the svm single model with dc of 0.57 in the verification step for silakhor plain rainfall-runoff time series modeling.