شبیه سازی دبی جریان رودخانه با استفاده از مدل بردار پشتیبان و مقایسه آن با مدل ترکیبی بردارپشتیبان - ژنتیک (مطالعه موردی : رودخانه دالکی)
محورهای موضوعی : منابع آب
پژمان صادقی
1
,
رضا جعفری نیا
2
1 - دانشجوی دکتری تخصصی مهندسی عمران
2 - گروه مهندسی آب، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران
کلید واژه: پیشبینی, بردار پشتیبان, الگوریتم ژنتیک, مدیریت منابع آب ,
چکیده مقاله :
پیشبینی دقیق دبی جریان رودخانه نقشی اساسی در مدیریت منابع آب، مهار سیلاب و بهرهبرداری بهینه از آبهای سطحی دارد. تخمین صحیح جریان رودخانه میتواند به کاهش خسارات ناشی از سیل، بهبود برنامهریزیهای آبی و مدیریت پایدار حوضههای آبریز کمک کند. در این پژوهش، شبیهسازی دبی جریان رودخانه دالکی با استفاده از مدل ماشین بردار پشتیبان (SVM) و مدل ترکیبی بردار پشتیبان - الگوریتم ژنتیک (SVR-GA) انجام شد. مدل SVM به دلیل توانایی بالا در یادگیری الگوهای پیچیده، در پیشبینی پدیدههای هیدرولوژیکی مؤثر است. با این حال، تنظیم بهینه پارامترهای این مدل تأثیر قابل توجهی بر دقت پیشبینی دارد. ازاینرو، در این مطالعه از الگوریتم ژنتیک (GA) برای بهینهسازی پارامترهای مدل SVM استفاده شد. نتـایج مقـایسه این دو مدل نشان داد که مـدل ترکیبی SVR-GA عملکرد بهتری نسبت به مدل SVM دارد. این مدل با بهینهسازی خودکار پارامترها توانست دقت پیشبینی را افزایش داده و خطای مدل را کاهش دهد. بنابراین، استفاده از روشهای ترکیبی بردار پشتیبان - الگوریتم ژنتیک میتواند رویکرد مناسبی برای بهبود پیشبینی دبی رودخانهها و مدیریت بهتر منابع آبی باشد.
Accurate prediction of river discharge plays a vital role in water resource management, flood control, and the optimal utilization of surface water. Proper estimation of river flow can help reduce flood-related damages, improve water planning, and contribute to the sustainable management of watersheds. In this study, the discharge of the Dalaki River was simulated using the Support Vector Machine (SVM) model and a hybrid Support Vector Regression–Genetic Algorithm (SVR-GA) model. Due to its high capability in learning complex patterns, the SVM model is effective in predicting hydrological phenomena. However, the model’s prediction accuracy is highly dependent on the proper tuning of its parameters. Therefore, the Genetic Algorithm (GA) was employed to optimize the SVM parameters in this research. A comparison of the two models indicated that the hybrid SVR-GA model outperformed the standalone SVM model. By automatically optimizing the parameters, the hybrid model enhanced prediction accuracy and reduced modeling error. Hence, the application of hybrid SVM-GA approaches can be considered an effective method for improving river discharge prediction and achieving better water resource management.
Sharma, A., & Goel, D. (2024). Prediction of water flow in the Tehri Dam located in Uttarakhand, India using the Support Vector Regression (SVR) model at daily and decadal time scales. Hydrology Research
.Darabi Cheghabaleki, S., Fatemi, S. E., & Hafezparast Mavadat, M. (2023). Forecasting and extending streamflow using GA-SVR models in Pol-Chehr station. Journal of Hydrological Science, 58 (4), 1051–1065.
Sahoo, A., & Ghose, D. K (2022). Application of Hybrid Support Vector Machine model for Streamflow Prediction in Barak valley, India. In IOP Conference Series: Earth and Environmental Science, 1032(1), 012016. IOP Publishing.
Kwon, M., Kwon, H.-H., & Han, D. (2020). A Hybrid Approach Combining Conceptual Hydrological Models, Support Vector Machines and Remote Sensing Data for Rainfall-Runoff Modeling. Remote Sensing, 12 (17), 2720.
Dehghani, R., Torabi Poudeh, H., Younesi, H., & Shahinejad, B. (2020). Forecasting daily river flow using an artificial flora–support vector machine hybrid modeling approach (case study: Karkheh Catchment, Iran). Environmental Resources Research, 8
Yin, Z., Wen, X., Feng, Q., He, Z., Zou, S., & Yang, L. (2017). Integrating genetic algorithm and support vector machine for modeling daily reference evapotranspiration in a semi-arid mountain area. Hydrology Research, 48 (5), 1177–1188.
نوذری، حامد. صدق نژاد، نادیا. معروفی، صفر. (1402). "مقایسه عملکرد مدل تلفیقی ماشین بردار پشتیبان-الگوریتم تبرید شبیهسازی (SVM-SA) و مدل توانسی فیزینگ-موتن کارلو در برآورد بارش ماهانه." سومین همایش ملی راهبردهای مدیریت منابع آب و چالشهای زیستمحیطی. دانشگاه علوم کشاورزی و منابع طبیعی ساری.
جوادی، سامان. قوردویی میلان، ناصر. آریا آذر، ناصر. رازدار، بابک. (1399). "شبیهسازی تراز سطح آب زیرزمینی با استفاده از مدل حداقل مربعات ماشین بردار پشتیبان و مقایسه آن با شبکه عصبی مصنوعی و رگرسیون خطی چند متغیره." هیدروژئولوژی ، سال پنجم، شماره 1، تابستان 1399، دانشگاه تبریز.
دهقانی، رضا. ترابی پوده، حسن. یونسی، حجتاله. و شاهی نژاد، بابک. (1399). "بررسی عملکرد مدل هیبریدی ماشین بردار پشتیبان-الگوریتم گیاهان مصنوعی در تخمین جریان دی روزانه رودخانهها (مطالعه موردی: حوضه دز)." تحقیقات منابع آب ایران، سال شانزدهم، شماره 2، تابستان 1399، انجمن علوم و مهندسی منابع آب.
مختای، سعید. فریدونی، مهرداد. (1398). "شبیهسازی رسوب رودخانه با استفاده از مدلهای رگرسیون بردار پشتیبان (SVR) و مقایسه آن با مدلهای استنتاج فازی (Anfis) و موجک نروفازی (مطالعه موردی: رودخانه کر – ایستگاه درودزن)." کنفرانس عمران، معماری و شهرسازی کشورهای جهان اسلام. ایران، تبریز: پایتخت گردشگری کشورهای اسلامی (2018).
ذاکری نیری، محمود. نعمتی، امیر رضا. گودرزی، صابر. (1394). "شبیهسازی جریان رودخانه با استفاده از مدل ترکیبی ژنتیک-رگرسیون بردار پشتیبان (GA-SVR)." کنفرانس بینالمللی دستاوردهای مدرن در مهندسی عمران، معماری، محیطزیست و مدیریت شهری.
