ارزیابی عملکرد روش های ماشین بردار پشتیبان و سیستم استنتاج عصبی فازی تطبیقی در پیش بینی جریان ماهانه رودخانه ها (مطالعه موردی رودخانه های نازلو و سزار)

در سال­های اخیر با رشد فناوری، روش­های نوین برای حل مسائل غیرخطی نظیر پیش­بینی جریان رودخانه­ها به صورت قابل ملاحظه­ای توسعه یافته است. از جمله روش­هایی که اخیرا توسط محققان مختلف در این زمینه مورد استفاده قرار گرفته است مدل­های ماشین بردار پشتیبان (SVM) و سیستم استنتاج عصبی فازی تطبیقی (ANFIS) می­باشد. در این مطالعه از روش­های مذکور برای پیش­بینی جریان ماهانه رودخانه­های نازلوچای و سزار در دوره آماری ۱۳۹۵-۱۳۳۵ استفاده شد. در ابتدا الگوهای ورودی در دو حالت الف) استفاده از داده­های جریان و در نظر گرفتن نقش حافظه و ب) تاثیر دادن ترم پریودیک آماده و به مدل­ها معرفی گردید. مدل سازی براساس ۸۰ درصد داده های تاریخی ثبت شده صورت گرفت (۵۷۶ ماه) و با ۲۰ (۱۴۴ ماه) درصد بقیه ارزیابی گردید. عملکرد مدل­های به کار رفته با شاخص­های آماری مجذور میانگین مربعات خطا (RMSE)، نش- ساتکلیف (NS) و میانگین قدر مطلق خطای نسبی (MARE)، مورد بررسی قرار گرفت. نتایج حاصل نشان داد که روش SVM با تابع کرنل RBF بیش­ترین دقت را در پیش­بینی جریان ماهانه هر دو رودخانه داشته و استفاده از ترم پریودیک توانسته است عملکرد آن را به طور قابل ملاحظه­ای افزایش دهد. همچنین کارایی مدل ANFIS نیز با استفاده از ترم پریودیک بهبود یافته و در محل ایستگاه تپیک در الگوی M۷ و برای جریان رودخانه سزار با الگوی M۶ کمترین خطا را در پیش­بینی جریان داشته است. به طور کلی نتایج این مطالعه نشان داد که روش SVM از عملکرد بهتری نسبت به مدل ANFIS در پیش­بینی جریان برخوردار بوده و انتخاب تابع کرنل مناسب تاثیر مستقیمی بر کارایی آن دارد.

کلیدواژه ها:

اثر پریودیک ، تابع خود همبستگی جزئی ، تابع عضویت ، تابع کرنل