مقایسه عملکرد روش های هوش مصنوعی ANN و SVM در مدل سازی فرایند بارش - رواناب (مطالعه موردی: حوضه آبخیز کارون شمالی)

شبیه سازی فرایند بارش- رواناب در حوضه آبخیز از نقطه نظر درک بهتر مسایل هیدرولوژیک، مدیریت منابع آب، مهندسی رودخانه، سازه های کنترل سیل و ذخیره سیلاب اهمیت ویژه ای دارد. در این تحقیق، به منظور شبیه سازی فرایند بارش- رواناب از داده های بارش و دبی جریان در دوره زمانی 1396-1376 استفاده شد. بعد از کنترل کیفی و صحت داده ها، تاخیر بارش و دبی با استفاده از ضرایب خودهمبستگی، خود همبستگی جزیی و همبستگی متقارن در نرم افزار R Studio مشخص شد. سپس پارامترهای موثر و ترکیب بهینه نیز به روش آزمون گاما تعیین و برای اجرای مدل تحت سه سناریوی مختلف در نرم افزار MATLAB مورد استفاده قرار گرفتند. نتایج آزمون گاما نشان داد که پارامترهای بارش روز جاری، بارش یک روز قبل، دبی روز قبل و دو روز قبل دارای بیشترین تاثیر در دبی خروجی حوضه هستند. همچنین ترکیب های Pt Qt-1 و Pt Pt-1 Qt-1 Qt-2 Qt-3 مناسب ترین ترکیب بهینه ورودی برای مدل سازی انتخاب شدند. نتایج مدل سازی نشان داد که در مدل ماشین بردار پشتیبان تابع کرنل پایه شعاعی (RBF) نسبت به کرنل های چندگانه و خطی دارای عملکرد بهتری است. همچنین کارایی مدل شبکه عصبی مصنوعی (ANN) نسبت به مدل ماشین بردار پشتیبان (SVM) با تابع کرنل پایه شعاعی (RBF) بهتر است.