ارزیابی کارایی سامانه‌های ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تحلیل منطقه‌ای سیلاب (مطالعه موردی: حوضه آبخیز دریاچه نمک)

تخمین دبی سیلاب با دوره بازگشت مختلف، یکی از مهم‌ترین عوامل لازم برای طراحی و اجرای سازه های آبی است. از طرفی بسیاری از رودخانه های موجود در حوضه های آبخیز ایران فاقد آمار و اطلاعات آب سنجی کامل و دقیق هستند. در چنین مواردی یکی از راه حل‌های مناسب برای برآورد دبی های سیلابی با دوره بازگشت مختلف، انجام تحلیل منطقه ای سیلاب است. در پژوهش حاضر 55 ایستگاه آب سنجی مورد استفاده قرار گرفتند. برای این‌منظور ابتدا دبی های حداکثر لحظه ای ایستگاه های منتخب در دوره بازگشت های مختلف با استفاده از نرم افزار easy fit برآورد شد. سپس متغیرهای موثر بر دبی های سیلابی جمع آوری و متغیرهای ورودی مدل با استفاده از آزمون گاما و به کمک نرم افزار wingamma تعیین شدند. درنهایت مدل سازی داده ها با استفاده از ماشین بردار پشتیبان، شبکه عصبی مصنوعی و رگرسیون چند متغیره غیرخطی انجام پذیرفت. ارزیابی کمی و کیفی نتایج با استفاده از آماره های گوناگون از جمله آماره ناش ساتکلیف نشان داد که روش مدل سازی ماشین بردار پشتیبان، از بیشترین دقت نسبت به دو روش مدل سازی دیگر به‌منظور پیش بینی دبی های حداکثر لحظه ای در حوضه آبخیز دریاچه نمک برخوردار است.

Assessment the Performance of Support Vector Machine and Artificial Neural Network Systems for Regional Flood Frequency Analysis (A Case Study: Namak Lake Watershed)

Flood discharge estimation with different return periods is one of important factors for water structures design and installation. On the other hand, a lot of rivers existing in Iran watersheds have no complete and accurate hydrometric data. In these cases, one of the suitable solutions to estimate peak discharges with different return periods is the regional flood analysis. In this research, 55 hydrometric stations were used. For this purpose, at first, peak discharges in different return periods were estimated using the EasyFit software. Then, the effective variables on the peak discharges were collected and the input variables of the models were selected by using gamma test with the help of the WinGamma software. Finally, data modeling was performed using the support vector machine, artificial neural networks and nonlinear multivariate regression techniques. Quantitative and qualitative assessment of the results using various indices including NashSutcliffe Efficiency Coefficient (NSC) showed that SVM modeling method had the most accuracy in comparison to the other two modeling methods to predict the peak discharges in the Namak Lake Watershed.