مشخصات پژوهش

عنوان	کاربرد مدل های LS-SVM، ANN، WNN و GEP در شبیه سازی بارش ـ رواناب رودخانۀ خیاوچای
نوع پژوهش	مقاله چاپ‌شده در مجلات علمی
کلیدواژه‌ها	بارش- رواناب، برنامه ریزی بیان ژن، حداقل مربعات ماشین بردار پشتیبان، شبکه عصبی مصنوعی، هیبرید موجک- عصبی.
چکیده	پیش بینی جریان رودخانه به منظور مدیریت و برنامه ریزی منابع آب در رودخانه ها، دریاچه ها، مخازن سدها و همچنین جهت حفاظت کناره های رودخانه در زمان وقوع سیلاب انجام می گیرد. در این تحقیق از مدل های شبکه های عصبی مصنوعی، هیبرید موجک- عصبی، برنامه ریزی بیان ژن و حداقل مربعات ماشین بردار پشتیبان به منظور تخمین جریان روزانه رودخانه خیاوچای استفاده شد. در این راستا داده های دبی و بارش روزانه ایستگاه هیدرومتری پل سلطانی واقع بر رودخانه مذکور طی دوره آماری 92-1378 به کار گرفته شد. پس از محاسبه ضرایب همبستگی متقابل متغیرهای بارش و دبی، شش الگوی مختلف به منظور تخمین رواناب روزانه تعیین شد. برای ارزیابی مدل ها از شاخص های آماری و آزمون ANOVA استفاده شد. نتایج حاکی از برتری مدل هیبرید موجک- عصبی با بیشترین ضریب همبستگی (877/0=R)، کمترین ریشه میانگین مربعات خطا (696/0=RMSE) و ضریب نش ساتکلیف برابر 767/0 در مرحله صحت سنجی بود. نتایج آزمون آنوا نیز نتایج شاخص های آماری را تأیید کرد و مدل هیبرید موجگ- عصبی با داشتن کمترین مقدار آماره F (11/0) و بیشترین سطح معنی داری (75/0) به عنوان بهترین مدل شناخته شد. در برآورد دبی بیشینه (سیلاب) نیز مدل مذکور با میانگین خطای نسبی 19/30 درصد، به مقدار قابل توجهی از خطای کمتری نسبت به سایر مدل ها برخوردار بود.
پژوهشگران	عارف محمدی (نفر چهارم)، سجاد محمودی بابلان (نفر سوم)، هادی ثانی خانی (نفر دوم)، محمد رضا نیک پور (نفر اول)