ارزیابی تاثیر نرمال سازی توزیع احتمالاتی رواناب ماهانه بر عملکرد مدل های SVM و ANN در شبیه سازی جریان ماهانه رودخانه ها (مطالعه موردی: حوزه زرینه رود)

تخمین دقیق مقدار رواناب رودخانه ها از اقدامات اساسی در مدیریت منابع آب حوزه ها می باشد. شبکه عصبی مصنوعیANN)) و ماشین بردار پشتیبان (SVM) از مهم ترین مدل های داده کاوی هستند که می‏توانند برای این منظور مدنظر قرار گیرند. با توجه به مبتنی بودن این مدل ها به داده ها ، نوع توزیع احتمالاتی داده ها می تواند تاثیر چشمگیری بر عملکرد آن ها در شبیه سازی جریان داشته باشد. برای بررسی این موضوع حوزه زرینه رود به عنوان منطقه مورد مطالعه انتخاب شده و ارزیابی های مورد نظر در سه ایستگاه آب سنجی واقع در آن صورت گرفت. در این راستا در ابتدا با استفاده از آزمون شاپیرو-ویلک تبعیت نمودن توزیع احتمالاتی داده های مشاهداتی اولیه از نرمال مورد بررسی قرار گرفته و سپس نرمال‏سازی توزیع داده ها انجام شد. در ادامه کارایی هر یک از مدل های ANN و SVM در شبیه سازی رواناب ماهانه سه ایستگاه آب سنجی برای داده های مشاهداتی و نرمال شده جریان مورد ارزیابی قرار گرفت. براساس نتایج این تحقیق مقادیر شاخص های ضریب همبستگی(CC) و جذر میانگین مربعات خطا (RMSE) در دوره صحت سنجی برای ایستگاه های صفاخانه، سنته و پل آنیان در مدل ANN به ترتیب 71/0، (m3/sec) 93/5، 80/0، (m3/sec) 58/6 و 82/0، (m3/sec) 90/22 بدست آمد. در مدل SVM برای این شاخص ها در ایستگاه های مذکور به ترتیب مقادیر 70/0، (m3/sec)34/6، 78/0، (m3/sec)02/7 و 79/0، (m3/sec)31/24 حاصل شد. نتایج نشان داد که در مدل ANN استفاده از جریان نرمال شده در ایستگاه های پل آنیان، سنته و صفاخانه مقادیر CC را در دوره صحت سنجی به ترتیب 6، 14 و 11 درصد افزایش و مقادیر RMSE را به ترتیب 9، 19 و 6 درصد کاهش می دهد. در مدل SVM پس از نرمال سازی داده ها مقادیر CC و RMSE فقط برای ایستگاه سنته به میزان 10 و 16 درصد به ترتیب افزایش و کاهش می یابد. همچنین نتایج نشان داد که مدل ANN با ورودی های نرمال شده در هر سه ایستگاه آب سنجی عملکرد بهتری نسبت به مدل SVM دارد.