توسعه مدل هیبریدی موجکی در برآورد خشکسالیهای منطقه‌ای حوضه آبریز سیمینه رود
محورهای موضوعی : هیدرولوژیعرفان رستم زاده 1 , علیرضا پرویشی 2
1 - گروه مهندسی عمران -دانشکده فنی و مهندسی - دانشگاه آزاد اسلامی واحد ارومیه- ارومیه - ایران
2 - گروه مهندسی عمران - دانشکده فنی و مهندسی - دانشگاه آزاد اسلامی واحد ارومیه
کلید واژه: ماشین بردار پشتیبان(SVM), تئوری موجک (W), شبکه عصبی مصنوعی (ANN), شاخص خشکسالی (SPI), حوضه آبریز سیمینه رود,
چکیده مقاله :
در مطالعه حاضر خشکسالی حوضه آبریز سیمنه‌رود به وسیله مدلهای هوشمند ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN) و تئوری موجک (W) مورد بررسی قرار گرفت. از دادههای شش ایستگاه باران‌سنجی در منطقه استفاده و شاخص خشکسالی در چهار مقیاس زمانی محاسبه گردید. همچنین خود همبستگی مرتبه اول به عنوان تاخیر بهینه انتخاب شد. سپس ساختار مناسب شبکه عصبی مصنوعی با استفاده از روش آزمون و خطا تعیین و ضرایب سه‌گانه مدل SVM نیز مشخص و مدلسازی انجام شد. نتایج ارزیابی مدلهای منفرد نشان داد که تفاوت معنی داری بین دو روش در پیشبینی خشکسالیها وجود ندارد. در ادامه مدلهای هیبریدی WANN و WSVMتهیه شدند. نتایج نشان داد کاربست تئوری موجک عملکرد مدلهای منفرد را بسیار بهبود داده و مقدار شاخصهای RMSE و MAE به ترتیب 19٪ و 21٪ کاهش و ضریب همبستگی 30٪ افزایش داشته و مدل W(L2)SVM برای پیشبینی خشکسالیهای حوضه آبریز سیمینه‌رود پیشنهاد گردید.
In the present study, the drought of Siminehroud basin was investigated by intelligent Support Vector Machine (SVM) models, Artificial Neural Network (ANN) and Wavelet theory (W). Data from six rain gauge stations in the region were used and drought index was calculated in four time scales. The first-order autocorrelation was also selected as the optimal delay. Then the appropriate structure of the Artificial Neural Network was determined using Trial and Error Method and the three coefficients of the SVM model were determined and modeled. The results of evaluating individual models showed that there is no significant difference between two methods in predicting droughts. Then WANN and WSVM hybrid models were prepared. The results showed that the application of Wavelet theory greatly improved the performance of individual models and the amount of RMSE and MAE indices decreased by 19% and 21% and the correlation coefficient increased by 30%, respectively.
_||_