پیش بینی فرآیند بارش- رواناب با بهره گیری از مدل ترکیبی بهینه سازی تجمعی ذرات- ماشین بردار پشتیبان موجکی (مطالعه موردی: دشت سیلاخور)
مدل سازی و پیش بینی فرآیند بارش-رواناب نقش مهمی را در مدیریت منابع آب، برنامه ریزی های شهری، عملکرد مخازن سد و... ایفا می کند. ماشین بردار پشتیبان (SVM) به عنوان یکی از مدل های نوین هوش مصنوعی، از قابلیت و انعطاف پذیری بالایی در پیش بینی داده های هیدرولوژیکی برخوردار است. در این پژوهش ایده ی مدل سازی فرآیند بارش-رواناب توسط مدل ترکیبی الگوریتم بهینه سازی تجمعی ذرات و ماشین بردار پشتیبان موجکی (PSO-WT-SVM) مطرح گردیده است. در ساختار الگوریتم SVM پارامترهای ثابتی وجود دارد که می بایست توسط کاربر تعیین گردند بطوریکه انتخاب نامناسب این پارامترها موجب کاهش قابل توجه کارایی مدل می گردد. جهت حل این مشکل از الگوریتم بهینه سازی تجمعی ذرات (PSO) برای یافتن مقادیر بهینه ی پارامترهای مدل SVM استفاده شده و مدل ترکیبی PSO-SVM معرفی می شود. در گام بعدی، با انجام عمل پیش پردازش بر روی داده ها توسط تبدیل موجک (WT) مدل PSO-WT-SVM مطرح می گردد. نهایتا سری زمانی روزانه بارش-رواناب دشت سیلاخور واقع در استان لرستان توسط مدل ساده SVM و مدل های ترکیبی PSO-SVM و PSO-WT-SVM مدل سازی و پیش بینی شده و دقت مدل سازی توسط دو معیار ضریب تبیین و میانگین مربع خطاها (RMSE) مورد سنجش قرار می گیرد. نتایج حاصل از این مدل سازی در مرحله صحت سنجی نشان می دهد که مدل ترکیبی PSO-SVM و PSO-WT-SVM با ضریب تبیین به ترتیب 72/0 و 89/0 جایگزین بسیار مناسبی نسبت به مدل SVM با ضریب تبیین 57/0 برای پیش بینی سری زمانی بارش-رواناب دشت سیلاخور می باشند.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.