fa مدل سازی رواناب رودخانه صوفی چای با استفاده از ماشین بردار پشتیبان و شبکه عصبی مصنوعی تخصصي Special پژوهشي Research <p dir="RTL"><strong>&nbsp;&nbsp;&nbsp; <span style="font-family:2 mitra;"><span style="font-size:10.0pt;">شبیه&shy; سازی دقیق فرآیند رواناب می&shy;تواند نقش بسزایی در مدیریت منابع آب و مسائل مربوطه داشته باشد. پیچیدگی ذاتی این فرآیند استفاده از مدل&shy;های فیزیکی و عددی را مشکل می&shy;نماید. در سال&shy;های اخیر کاربرد مدل&shy;های هوشمند به&shy;عنوان ابزاری توانمند در علم هیدرولوژی افزایش‌یافته است. هدف این مطالعه کاربرد آزمون گاما برای انتخاب ترکیب بهینه متغیرهای ورودی در مدل‌سازی رودخانه صوفی چای می‌باشد. مدل‌سازی جریان آب رودخانه با استفاده از تعداد نقاط بهینه متغیرهای منتخب با روش‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان می‌باشد. نتایج آزمون گاما نشان داد که رواناب رودخانه با شش تأخیر زمانی، نتایج بهتری به‌منظور پیش‌بینی ارائه می‌دهد. شبیه‌سازی رواناب با استفاده از دو مدل&nbsp; ماشین بردار پشتیبان و شبکه عصبی مصنوعی نشان داد که بهترین ساختار ورودی برای پیش‌بینی رواناب ماه بعد، تا شش تأخیر خواهد بود. از میان دو مدل با ساختار ورودی یکسان، مدل ماشین بردار پشتیبان کارایی نسبتاً بالایی نسبت به شبکه عصبی مصنوعی داشته است.</span></span></strong><br> &nbsp;</p> <p>Accurate simulation runoff process can have a significant role in water resources management and related issues. The inherent complexity of&nbsp; this process makes difficult the use of physical and numerical models. In recent years, application of intelligent models is increased a powerful tool in hydrological modeling. The aim of this study was the application of the Gamma test to select the optimal combination of input variables for runoff modeling in Sofi Chay. Streamflow modeling was performed based on the optimum number of&nbsp; the selected variables using the artificial neural network (ANN) and Support vector machine (SVM) methods .Gamma test results showed that monthly runoff with six antecedent runoff values&nbsp; provide better results to predict. Runoff simulation using support vector machines and artificial neural network models also showed that the best input structure will be delayed until six to predict of next month runoff. Among to models with the same input structure, support vector machine have relatively high efficiency compared to artificial neural network .</p> آزمون گاما, رواناب, رودخانه صوفی چای, شبکه عصبی مصنوعی, ماشین بردار پشتیبان Artificial Neural Network, Gamma Test, Runoff, SofiChay River, Support Vector Machine 57 66 http://jwmr.sanru.ac.ir/browse.php?a_code=A-11-842-1&slc_lang=fa&sid=1 fatemeh akhoni pourhosseini فاطمه آخونی پورحسینی fateme.pourhosseini@yahoo.com 10031947532846006448 10031947532846006448 Yes university of tabriz sabereh darbandi صابره دربندی sdarbandi.tabrizu@yahoo.com 10031947532846006449 10031947532846006449 No sdarbandi.tabrizu@yahoo.com