AU - Shrifi Garmdareh, E. AU - Vafakhah, M. AU - Eslamian, S. TI - Assessment the Performance of Support Vector Machine and Artificial Neural Network Systems for Regional Flood Frequency Analysis (A Case Study: Namak Lake Watershed) PT - JOURNAL ARTICLE TA - JSTNAR JN - JSTNAR VO - 23 VI - 1 IP - 1 4099 - http://jstnar.iut.ac.ir/article-1-2977-fa.html 4100 - http://jstnar.iut.ac.ir/article-1-2977-fa.pdf SO - JSTNAR 1 AB  - 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. CP - IRAN IN - 1. Department of Watershed Management Engineering, Faculty of Natural Resources, Tarbiat Modares University, Nour, Iran. LG - eng PB - JSTNAR PG - 351 PT - Research YR - 2019