ارزیابی عملکرد روش‌های ماشین‌بردار پشتیبان و سیستم استنتاج عصبی فازی تطبیقی در پیش‌بینی جریان ماهانه رودخانه‌ها (مطالعه موردی رودخانه‌های نازلو و سزار)

در سال های اخیر با رشد فناوری، روش های نوین برای حل مسائل غیرخطی نظیر پیش بینی جریان رودخانه ها به صورت قابل ملاحظه ای توسعه یافته است. از جمله روش هایی که اخیراً توسط محققان مختلف در این زمینه مورد استفاده قرار گرفته است مدل های ماشین بردار پشتیبان (svm) و سیستم استنتاج عصبی فازی تطبیقی (anfis) می باشد. در این مطالعه از روش های مذکور برای پیش بینی جریان ماهانه رودخانه های نازلوچای و سزار در دوره آماری 1395-1335 استفاده شد. در ابتدا الگوهای ورودی در دو حالت الف) استفاده از داده های جریان و در نظر گرفتن نقش حافظه و ب) تاثیر دادن ترم پریودیک آماده و به مدل ها معرفی گردید. مدل‌سازی براساس 80 درصد داده‌های تاریخی ثبت شده صورت ‌گرفت (576 ماه) و با 20 (144 ماه) درصد بقیه ارزیابی گردید. عملکرد مدل های به کار رفته با شاخص های آماری مجذور میانگین مربعات خطا (rmse)، نش ساتکلیف (ns) و میانگین قدر مطلق خطای نسبی (mare)، مورد بررسی قرار گرفت. نتایج حاصل نشان داد که روش svm با تابع کرنل rbf بیش ترین دقت را در پیش بینی جریان ماهانه هر دو رودخانه داشته و استفاده از ترم پریودیک توانسته است عملکرد آن را به طور قابل ملاحظه ای افزایش دهد. همچنین کارایی مدل anfis نیز با استفاده از ترم پریودیک بهبود یافته و در محل ایستگاه تپیک در الگوی m7 و برای جریان رودخانه سزار با الگوی m6 کمترین خطا را در پیش بینی جریان داشته است. به طور کلی نتایج این مطالعه نشان داد که روش svm از عملکرد بهتری نسبت به مدل anfis در پیش بینی جریان برخوردار بوده و انتخاب تابع کرنل مناسب تاثیر مستقیمی بر کارایی آن دارد.

Evaluation of Support Vector Machine and Adaptive NeuroFuzzy Inference System Performance in Prediction of Monthly River Flow (Case Study: Nazlu chai and Sezar Rivers)

In recent years by growing technology, new methods have been substantially developed to solve nonlinear problems such as river flow forecasting. Among the available various methods, Support Vector Machine (SVM) and Adaptive NeuroFuzzy Inference System (ANFIS) models have been recently used by many researchers. In this study, these methods were used to predict the monthly flow of NazluChai and Sezar Rivers during 19562016 period. Firstly, the data were prepared in two modes: (a) using flow data and considering the role of memory; (b) influencing the periodic term. Modeling was done by 80% of the data (576 months) for training and the remaining 20% (144 months) for testing. The root mean square error (RMSE), NashSutcliffe (NS) and mean absolute relative error (MARE) metrics were used to evaluate the performance of the proposed models. The results showed that the SVM method with the RBF kernel function had the best performance in predicting monthly flow of the studied rivers. In addition, the periodic term significantly increased the prediction accuracy of the SVMRBF model. Also, the performance of the ANFIS method was improved by using the periodic term and this model had the least error in estimating the monthly flow of the Saesar and Nazlu chi Rivers in M6 and M7 patterns, respectively. In general, the results of this study showed that the SVM method performs better than the ANFIS model in monthly flow prediction and the selection of appropriate kernel function has a direct effect on its efficiency.