Shrifi Garmdareh E, Vafakhah M, Eslamian S. Assessment the Performance of Support Vector Machine and Artificial Neural Network Systems for Regional Flood Frequency Analysis (A Case Study: Namak Lake Watershed). jwss 2019; 23 (1) :351-366
URL:
http://jstnar.iut.ac.ir/article-1-2977-fa.html
شریفی گرمدره ابراهیم، وفاخواه مهدی، اسلامیان سیدسعید. ارزیابی کارایی سامانههای ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تحلیل منطقهای سیلاب (مطالعه موردی: حوضه آبخیز دریاچه نمک). علوم آب و خاک. 1398; 23 (1) :351-366
URL: http://jstnar.iut.ac.ir/article-1-2977-fa.html
1. گروه مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس ، vafakhah@modares.ac.ir
چکیده: (6196 مشاهده)
تخمین دبی سیلاب با دوره بازگشت مختلف، یکی از مهمترین عوامل لازم برای طراحی و اجرای سازههای آبی است. از طرفی بسیاری از رودخانههای موجود در حوضههای آبخیز ایران فاقد آمار و اطلاعات آبسنجی کامل و دقیق هستند. در چنین مواردی یکی از راه حلهای مناسب برای برآورد دبیهای سیلابی با دوره بازگشت مختلف، انجام تحلیل منطقهای سیلاب است. در پژوهش حاضر 55 ایستگاه آبسنجی مورد استفاده قرار گرفتند. برای اینمنظور ابتدا دبیهای حداکثر لحظهای ایستگاههای منتخب در دوره بازگشتهای مختلف با استفاده از نرمافزار Easy Fit برآورد شد. سپس متغیرهای مؤثر بر دبیهای سیلابی جمعآوری و متغیرهای ورودی مدل با استفاده از آزمون گاما و به کمک نرمافزار WinGamma تعیین شدند. درنهایت مدلسازی دادهها با استفاده از ماشین بردار پشتیبان، شبکه عصبی مصنوعی و رگرسیون چند متغیره غیرخطی انجام پذیرفت. ارزیابی کمی و کیفی نتایج با استفاده از آمارههای گوناگون از جمله آماره ناش- ساتکلیف نشان داد که روش مدلسازی ماشین بردار پشتیبان، از بیشترین دقت نسبت به دو روش مدلسازی دیگر بهمنظور پیشبینی دبیهای حداکثر لحظهای در حوضه آبخیز دریاچه نمک برخوردار است.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
عمومی دریافت: 1394/3/2 | پذیرش: 1397/3/19 | انتشار: 1398/3/25