Journal of Water and Soil Science

fa مقایسه عملکرد روش‌های هوش مصنوعی ANN و SVM در مدل‌سازی فرایند بارش – رواناب (مطالعه موردی: حوضه آبخیز کارون شمالی) Comparison of the Performance of ANN and SVM Methods in Rainfall-Runoff Process Modeling (Case Study: North Karun Watershed) عمومی Ggeneral پژوهشي Research <div style="text-align: justify;">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.</div> <div style="text-align: justify;">The simulation of the rainfall-runoff process in the watershed has particular importance for a better understanding of hydrologic issues, water resources management, river engineering, flood control structures, and flood storage. In this study, to simulate the rainfall-runoff process, rainfall and discharge data were used in the period 1997-2017. After data qualitative control, rainfall, and discharge delays were determined using the coefficients of autocorrelation, partial autocorrelation, and cross-correlation in R Studio software. Then, the effective parameters and the optimum combination were determined by the Gamma test method and used to implement the model under three different scenarios in MATLAB software. Gamma test results showed that today's precipitation parameters, precipitation of the previous day, discharge of the previous day, and discharge of two days ago have the greatest effect on the outflow of the basin. Also, the Pt Qt-1 and Pt Pt-1 Qt-1 Qt-2 Qt-3 combinations were selected as the most suitable input combinations for modeling. The results of the modeling showed that in the support vector machine model, the Radial Base kernel Function (RBF) has a better performance than multiple and linear kernels. Also, the performance of the Artificial Neural Network model (ANN) is better than the Support Vector Machine model (SVM) with Radial Base kernel Function (RBF).</div> آزمون گاما, ترکیب بهینه, محاسبات نرم, شبکه عصبی مصنوعی, ماشین بردار پشتیبان, حوضه آبخیز کارون شمالی Gamma test, Optimum combination, Soft calculations, Artificial neural network, Support vector machine, North Karun watershed 77 90 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-3450-2&slc_lang=fa&sid=1 S. H. Roshun سیدحسین روشان h.roshun2011@gmail.com Yes 1. Watershed Management Engineering, Sari Agricultural Sciences and Natural Resources University. Mazandaran, Iran. 1. گروه مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری K. Shahedi کاکا شاهدی kaka.shadehi@gmail.com No 1. Watershed Management Engineering, Sari Agricultural Sciences and Natural Resources University. Mazandaran, Iran. 1. گروه مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری M. Habibnejad Roshan محمود حبیب نژاد روشن bah.roshan@yahoo.com No 1. Watershed Management Engineering, Sari Agricultural Sciences and Natural Resources University. Mazandaran, Iran. 1. گروه مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری J. Chormanski dbwis@sggw.pl No 2. Faculty of Civil and Environmental Engineering, Warsaw University of Life Sciences, Warsaw, Poland. 2. گروه مهندسی هیدورلیک، دانشگاه علوم زیستی ورشو