فهرست نشریات علمی دسترسی آزاد ایران

 مدل‌سازی و پیش‌بینی فرآیند بارش-رواناب نقش مهمی را در مدیریت منابع آب، برنامه­ریزی­های شهری، عملکرد مخازن سد و... ایفا می­کند. ماشین بردار پشتیبان (SVM) به عنوان یکی از مدل­های نوین هوش مصنوعی، از قابلیت و انعطاف­پذیری بالایی در پیش‌بینی داده­های هیدرولوژیکی برخوردار است. در این پژوهش ایده­ی  مدل‌سازی  فرآیند بارش-رواناب توسط مدل ترکیبی الگوریتم بهینه­سازی تجمعی ذرات و ماشین بردار پشتیبان موجکی (PSO-WT-SVM) مطرح گردیده است. در ساختار الگوریتم SVM پارامترهای ثابتی وجود دارد که می­بایست توسط کاربر تعیین گردند بطوریکه انتخاب نامناسب این پارامترها موجب کاهش قابل توجه کارایی مدل می­گردد. جهت حل این مشکل از الگوریتم بهینه­سازی تجمعی ذرات (PSO) برای یافتن مقادیر بهینه­ی پارامترهای مدل SVM استفاده شده و مدل ترکیبی PSO-SVM معرفی می­شود. در گام بعدی، با انجام عمل پیش­پردازش بر روی داده­ها توسط تبدیل موجک (WT) مدل PSO-WT-SVM مطرح می­گردد. نهایتا سری زمانی روزانه بارش-رواناب دشت سیلاخور واقع در استان لرستان توسط مدل ساده SVM و مدل­های ترکیبی PSO-SVM و PSO-WT-SVM  مدل‌سازی  و پیش‌بینی شده و دقت  مدل‌سازی  توسط دو معیار ضریب تبیین و میانگین مربع خطاها (RMSE) مورد سنجش قرار می­گیرد. نتایج حاصل از این  مدل‌سازی  در مرحله صحت­سنجی نشان می­دهد 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 پیش‌بینی سری زمانی بارش-رواناب دشت سیلاخور می­باشند.