کاربرد الگوریتم ماشین بردار پشتیبان و تبدیل موجک برای مدلسازی فرایند بارش- رواناب (مطالعه موردی: آقچای- ایران)

اهمیت مدیریت منابع آب، نیاز به مدل سازی دقیق فرآیند بارش و رواناب را در دهه گذشته مطرح کرده است. در این پژوهش برای مدل سازی فرآیند بارش و رواناب از ترکیب مدل ماشین بردار پشتیبان و تبدیل موجک بهره گرفته شده است. بدین منظور سری های زمانی بارش و رواناب با آنالیز موجک به چندین زیرسری با مقیاس های زمانی مختلف تبدیل شده و این زیرسری های زمانی به عنوان ورودی مدل ماشین بردار پشتیبان برای پیش بینی رواناب روزانه درنظر گرفته شده است. نتایج حاصل از صحت سنجی مدل ها بیانگر آن است که بیشترین مقدار ضریب تبیین (R۲) و کمترین مقدار جذر میانگین مربع خطا (RMSE) برای مدل منفرد ماشین بردار پشتیبان به ترتیب ۶۹/۰ و ۷۹/۰ و برای مدل ترکیبی ماشین بردار پشتیبان موجکی به ترتیب ۹۲/۰ و ۳۵/۰ است. دلیل برتری مدل ترکیبی نسبت به مدل منفرد ناشی از این است که مدل ترکیبی ماشین بردار پشتیبان موجکی، به جای استفاده از سری زمانی داده های بارش و رواناب در یک مقیاس کلی، از چندین زیرسری پردازش شده زمانی با درجات تجزیه مختلف، به عنوان ورودی در مدل استفاده می کند. همچنین نتایج نشان داد که مدل ترکیبی ماشین بردار پشتیبان موجکی در مقایسه با سایر مدل های ترکیبی مانند شبکه عصبی مصنوعی موجکی (WANN) دارای کارایی و دقت بالاتری است.

Keywords:

خودهمبستگی , ماشین بردار پشتیبان , درجه تجزیه , تبدیل موجک , تابع هسته , چند مقایسه ای , تابع موجک Db۲