بررسی عملکرد مدل های سری زمانی و مدل های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و برنامه‏ریزی بیان ژن خودهمبسته در شبیه سازی رواناب ماهانه (مطالعه موردی: حوضه خرخره چای)

     افزایش دقت تخمین رواناب در حوضه­های فاقد داده­های هواشناسی نقش مهمی در مدیریت صحیح منابع آب این حوضه­ها دارد. در این راستا شبیه­سازی خود همبسته می­تواند مفید واقع گردد. در مطالعه حاضر، کارایی سه مدل داده­کاوی شامل شبکه عصبی مصنوعی، برنامه­ریزی بیان ژن و ماشین بردار پشتیبان در کنار مدل­های سری زمانی برای پیش­بینی رواناب ماهانه در حوضه خرخره­چای مورد ارزیابی قرار گرفت. برای این منظور، در ابتدا ترکیب­های مختلف ورودی به مدل­ها که باید در تخمین جریان رودخانه در نظر گرفته شوند، تعیین شدند. همچنین تأثیر ساختار مختلف مدل­ها بر شبیه­سازی جریان از طریق به کار گیری آنها و مقایسه نتایج به­دست آمده، مورد بررسی قرار گرفت. در این راستا، مدل­های خطی خود همبسته، خود همبسته با میانگین متحرک و خود همبسته میانگین متحرک یکپارچه، شبکه عصبی پرسپترون چند لایه، برنامه­ریزی بیان ژن با چهار و سیزده تابع ریاضی و مدل ماشین بردار پشتیبان با سه تابع کرنل به منظور شبیه­سازی خودهمبسته جریان ماهانه (طی دوره 90- 1367) به کار گرفته شدند. نتایج نشان داد مدل پرسپترون چند لایه (3,5) با مقادیر ضریب همبستگی و جذر میانگین مربعات خطا به­ترتیب برابر با 84/0 و 21/8 متر مکعب بر ثانیه در دوره واسنجی و مقادیر 86/0 و 66/5 متر مکعب بر ثانیه در دوره صحت­سنجی بیشترین دقت را در شبیه­سازی رواناب ماهانه نسبت به سایر مدل­ها داشتند.