ارزیابی کارایی مدل‌هایsvm ، ls-svm و svm-goa در شبیه‌سازی دبی اوج سیل ایستگاه پل دختر

مدل‌سازی یا شبیه‌سازی سیل یکی از راهکارهای اساسی برای مدیریت و کاهش اثرات مخرب این پدیده بوده و شناسایی مدل‌هایی کارآمد بدین منظور، یکی از مهم‌ترین ارکان در مدیریت حوضه‌های آبریز است. در این پژوهش دقت مدل‌های ماشین بردار کلاسیک(svm) ، ماشین بردار پشتیبان تلفیق شده با الگوریتم ملخ  (goa-svm)و حداقل مربعات ماشین‌بردار پشتیبان (ls-svm) در شبیه‌سازی دبی اوج سیل ایستگاه پل‌دختر در حوضه کرخه، مورد ارزیابی قرار گرفته است. بدین منظور از آمار 74 واقعه سیل در محدوه سال‌های 1388 تا 1395 در ایستگاه پل دختر و بارش روزانه 13 ایستگاه باران‌سنجی در حوضه آبریز بالادست این ایستگاه استفاده شده است. از این تعداد، 52 واقعه برای آموزش و 22 واقعه نیز برای صحت‌سنجی مدل‌ها انتخاب شد. مقایسه نتایج به کمک چهار شاخص آماری ضریب تبیین(r^2)، جذر میانگین مربعات خطا (rmse)، خطای استاندارد (se)، ضریب نش (ns) و همچنین تحلیل عدم قطعیت به کمک دو شاخص متوسط طول بازه نسبی  (aril)و درصد پوشش (poc) صورت گرفت. نتایج حاکی از برتری نسبی مدل ls-svm با 0.407se=، 110.16rmse=، 0.91ns= و 0.92r2= نسبت به مدل svm با  0.5 se=، 137.70rmse=، 0.87ns= و 0.88r2= و مدل svm-goa با 0.519 se=، 144.53rmse=، 0.83ns= و 0.9r2= است. متوسط مدت زمان اجرای مدلls-svm   در حد چند ثانیه و این زمان در مدل svm-goa در حد چند ساعت است. از سوی دیگر تنظیم پارامترهای مدل svm کلاسیک بصورت دستی نیز مستلزم صرف زمان زیادی است. لذا مدلls-svm  به دلیل دارا بودن پارامترهای قابل تنظیم کمتر نسبت به مدل‌های svm وsvm-goa ، از لحاظ اجرایی ازسهولت بیشتری برخوردار است. لذا می‌توان با قطعیت و اختلافی چشمگیر مدلls-svm  را نسبت به دو مدل دیگر در ارجحیت قرار داد.

evaluating the efficiency of svm, ls-svm and svm-goa models in simulating the flood peak discharge at the poldokhtar station

in order to control and minimize the damaging impacts of floods, flood modeling or simulation is a fundamental solution. identifying effective models for this purpose is crucial in watershed management. this study evaluates the accuracy of support vector machine models combined with the support vector machine (svm), grasshopper algorithm (svm-goa) and least square support vector machine (ls-svm) in simulating the flood peak discharge of poldokhtar station in the karkheh basin. for this study, 74 flood events from 2009 to 2016 at the poldokhtar station and data from 13 daily rainfall stations in the upstream area for the same period were utilized. subsequently, 52 events were allocated for training, and 22 for validation. the comparison of results was conducted using three statistical indicators: correlation coefficient (r2), root mean square error (rmse), nash efficiency (ns), and standard error (se). additionally, uncertainty analysis was performed using two indexes: aril and poc. the results indicate the relative superiority of the ls-svm model with se=0.407, rmse=110.16, ns= 0.91 and r2=0.92 compared to the svm model with se=0.5, rmse=137.70, ns= 0.87 and r2=0.88 and svm-goa model with se=0.519, rmse=144.53, ns= 0.83  and r2=0.9. the study’s overall conclusion is that the ls-svm model is more accurate, faster, and easier to implement compared to the svm and svm-goa models. as a result, it can be confidently preferred over the svm and svm-goa models due to its significant advantages. the research emphasizes the critical importance of precise flood modeling and simulation in watershed management for mitigating the destructive impact of floods.