کاربرد شبکه‌های عصبی بیزین، ماشین بردار پشتیبان و برنامه‌ریزی بیان ژنی در تحلیل بارش – رواناب ماهانه (مطالعه موردی:رودخانه کاکارضا)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار گروه مهندسی آب ، دانشگاه تبریز

2 دانش آموخته ارشد منابع آب، دانشگاه تبریز

چکیده

     شبیه‌سازی فرآیند بارش - رواناب اولین و مهمترین گام برای کنترل سیلاب در مدیریت منابع آب می‌باشد. در این تحقیق  فرآیند بارش رواناب  ماهانه رودخانه کاکارضا واقع در استان لرستان، با استفاده از شبکه عصبی بیزین موردبررسی قرار گرفت و نتایج آن با روش‌های برنامه‌ریزی بیان ژن و ماشین بردار پشتیبان مقایسه گردید. بر این اساس ترکیب‌های مختلفیبا استفاده از پارامترهای بارندگی و رواناب، طی دوره آماری (1392-1348) به‌عنوان ورودی برای تخمین روانابدر مقیاس زمانی ماهانه مورد ارزیابی قرار گرفت. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا، ضریب نش ساتکلیف و بایاس برای ارزیابی و نیز مقایسه عملکرد روش‌ها مورداستفاده قرار گرفت. نتایج حاصله نشان داد ساختارهای ترکیبی با استفاده از روش‌هایهوشمند موردبررسی، در شبیه‌سازی فرآیند بارش رواناب نتایج قابل قبولی ارائه می‌نماید. مقایسه مدل‌ها نشان داد شبکه عصبی بیزین عملکرد بهتری نسبت به سایر مدل‌ها در شبیه‌سازی فرآیند بارش-رواناب دارد. درمجموع روش شبکه عصبی بیزین توانایی بالایی در تخمین مقادیر کمینه، میانی و مقادیر بیشینه رواناب از خود نشان داده است.

کلیدواژه‌ها


عنوان مقاله [English]

Application of Bayesian Neural Networks, Support Vector Machines and Gene Expression Programming Analysis of Rainfall - Runoff Monthly (Case Study: Kakarza River)

نویسندگان [English]

  • Mohammad Ali Ghorbani 1
  • Reza Dehghani 2
1
2
چکیده [English]

Simulation of rainfall - runoff process is one of the most important tasks in water resources management and flood control studies. In this study, the rainfall – runoff process over Kakarza river located at Lorestan province, was simulated using the Bayesian neural network and the results were compared with the gene expression and support vector machine models.  In this case, different combinations of monthly rainfall and runoff data in period of 1969-2013 were considered as the input data of the models. Four performance criteria namely, correlation coefficient, root mean square error, Nash-Sutcliff coefficient and bias were used to evaluate and compare the performance of the models. The results showed that the performance of the models were satisfactory. Results showed that, the Bayesian neural network model is more efficient than the other models in estimation of minimum, mean and peak of runoff .

کلیدواژه‌ها [English]

  • Rainfall-Runoff
  • Bayesian neural network
  • Gene Expression programming
  • Support vector machine