کاربرد الگوریتم ماشین بردار پشتیبان و درخت تقویت شده برای مدل سازی بارش – رواناب (مطالعه موردی: دشت تبریز)

این پژوهش به استفاده از روش های یادگیری ماشین، به ویژه الگوریتم ماشین بردار پشتیبان (SVM) و درخت تقویت شده (BT)، برای شبیه سازی بارش و رواناب در دو ایستگاه آخولا و پل سنیخ پرداخته است. داده های هواشناسی و هیدرومتری از ۲۴ ایستگاه زیرحوضه تبریز از شرکت آب منطقه ای و سازمان هواشناسی استان آذربایجان شرقی جمع آوری شدند. مقادیر بارش و رواناب به عنوان ورودی به مدل با تاخیر زمانی یک روزه وارد شده و سپس مقادیر رواناب ماهانه با استفاده از معیارهای ارزیابی با مشاهدات ماهانه تخمین زده شده مقایسه شدند. نتایج نشان داد که در هر دو دوره مطالعه، برای ایستگاه آخولا، مدل SVM عملکرد بهتری نسبت به مدل BT داشت و در ایستگاه پل سنیخ، مدل BT عملکرد بهتری نسبت به مدل SVM ارائه کرد. همچنین، مقدار همبستگی متقابل برای دو دوره مطالعاتی در ایستگاه آخولا به ترتیب برابر با ۸۳/۰ و ۸۲/۰ و ایستگاه پل سنیخ ۸۳/۰ و ۷۷/۰ به دست آمد. در نتایج سری زمانی نیز، روند مشخصی برای بارش در طول دوره مشاهده نشد، اما دبی رودخانه ها در ایستگاه آخولا و پل سنیخ، به ویژه بعد از سال ۱۳۷۴، روند کاملا نزولی داشته است. از جمله دلایل اصلی این کاهش می­تواند رواناب، توسعه کشاورزی و صنعت ­باشد.

کاربرد الگوریتم ماشین بردار پشتیبان و درخت تقویت شده برای مدل سازی بارش – رواناب (مطالعه موردی: دشت تبریز) Keywords:

آجی چای , آخولا , دشت تبریز , شبیه سازی بارش-رواناب , یادگیری ماشین