TY - JOUR T1 - Comparison of the Performance of ANN and SVM Methods in Rainfall-Runoff Process Modeling (Case Study: North Karun Watershed) TT - مقایسه عملکرد روش‌های هوش مصنوعی ANN و SVM در مدل‌سازی فرایند بارش – رواناب (مطالعه موردی: حوضه آبخیز کارون شمالی) JF - JSTNAR JO - JSTNAR VL - 25 IS - 2 UR - http://jstnar.iut.ac.ir/article-1-4016-fa.html Y1 - 2021 SP - 77 EP - 90 KW - Gamma test KW - Optimum combination KW - Soft calculations KW - Artificial neural network KW - Support vector machine KW - North Karun watershed N2 - شبیه‌سازی فرایند بارش- رواناب در حوضه آبخیز از نقطه نظر درک بهتر مسائل هیدرولوژیک، مدیریت منابع آب، مهندسی رودخانه، سازه‌های کنترل سیل و ذخیره سیلاب اهمیت ویژه‌ای دارد. در این تحقیق، به‌منظور شبیه‌سازی فرایند بارش– رواناب از داده‌های بارش و دبی جریان در دوره زمانی 1396-1376 استفاده شد. بعد از کنترل کیفی و صحت داده‌ها، تأخیر بارش و دبی با استفاده از ضرایب خودهمبستگی، خود همبستگی جزئی و همبستگی متقارن در نرم‌افزار R Studio مشخص شد. سپس پارامترهای مؤثر و ترکیب بهینه نیز به‌روش آزمون گاما تعیین و برای اجرای مدل تحت سه سناریوی مختلف در نرم‌افزار 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 تأثیر در دبی خروجی حوضه هستند. همچنین ترکیب‌های Pt Qt-1 و Pt Pt-1 Qt-1 Qt-2 Qt-3 مناسب‌ترین ترکیب بهینه ورودی برای مدل‌سازی انتخاب شدند. نتایج مدل‌سازی نشان داد که در مدل ماشین بردار پشتیبان تابع کرنل پایه شعاعی (RBF) نسبت به کرنل‌های 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. M3 10.47176/jwss.25.2.34502 ER -