fa مقایسه عملکرد ماشین بردار پشتیبان با سایر مدل‌های هوشمند در شبیه‌سازی فرآیند بارش- رواناب تخصصي Special پژوهشي Research <p dir="RTL"><strong>&nbsp;&nbsp;&nbsp;&nbsp; شبیه&shy;سازی فرآیند بارش- رواناب به عنوان مهم&shy;ترین گام </strong><strong>در مطالعات مهندسی آب و </strong><strong>مدیریت منابع آب است. در این تحقیق فرآیند بارش</strong><strong>- </strong><strong>رواناب ماهانه</strong><strong> سیمینه&shy;رود </strong><strong>در دوره آماری (1390-1377) با استفاده </strong><strong>از </strong><strong>مدل&shy;های ماشین بردار پشتیبان با توابع کرنل پایه شعاعی، چندجمله&shy;ای</strong> <strong>و خطی، مدل شبکه بیزی با الگوریتم یادگیری </strong><strong><span dir="LTR">PC</span></strong><strong> و نیز مدل&shy;های متداول شبکه عصبی مصنوعی و برنامه&shy;ریزی</strong><strong> بیان ژن</strong> <strong>شبیه&shy;سازی شده و نتایج آن&shy;ها مورد مقایسه قرار گرفته است. از پارامترهای ضریب هم&shy;بستگی</strong><strong>،</strong><strong> ریشه میانگین مربعات خطا و </strong><strong>ضریب </strong><strong>نش&shy;ساتکلیف برای ارزیابی صحت مدل&shy;ها استفاده</strong> <strong>گردید. نتایج گویای عملکرد قابل قبول هر چهار مدل و برتری مدل برنامه&shy;ریزی بیان ژن با بیش&shy;ترین</strong> <strong>ضریب هم&shy;بستگی (</strong><strong>91/0</strong><strong><span dir="LTR">CC=</span></strong><strong>)</strong><strong>، کم&shy;ترین ریشه میانگین مربعات خطا (</strong><strong><span dir="LTR">m³/s</span></strong> <strong>1/3</strong><strong><span dir="LTR">RMSE</span></strong><strong><span dir="LTR">=</span></strong><strong>) و مقدار ضریب نش&shy;ساتکلیف 82/0</strong><strong><span dir="LTR">NS=</span></strong> <strong>د</strong><strong>ر مرحله </strong><strong>صحت&shy;سنجی است</strong><strong>.</strong></p> <p dir="RTL"></p> <p>&nbsp;&nbsp;&nbsp;&nbsp; Simulation of rainfall-runoff process is a major step in water engineering studies and water resources management. In this study, the rainfall-runoff process of the Siminehroud monthly (1377-1390) were simulated using Support Vector Machines (SVM) &nbsp;with Radial Basis kernel Function, Polynomial and linear Bayesian Network (BN) with a PC Learning Algorithm, also conventional methods such as Artificial Neural Networks (ANNs) and Gene Expression Programming (GEP) were used; finally, the results were compared with each other. Correlation Coefficient (CC), Root Mean Square Error (RMSE) and Nash-Sutcliff coefficient (NS) were used to evaluate the performance of the models. The results indicate the acceptable performance of the models and GEP model shows the highest CC (CC = 0.91), minimum RMSE (RMSE = 1.3 m³/s) and NS = 0.82 in verification stage.</p> بارش- رواناب, برنامه ریزی بیان ژن, سیمینه رود, شبکه بیزی, شبکه عصبی مصنوعی, ماشین بردار پشتیبان Artificial Neural Networks, Bayesian Networks, Gene Expression Programming, Rainfall-Runoff, Siminehroud, Support Vector Machine 103 92 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1-129&slc_lang=fa&sid=1 محمدعلی قربانی 10031947532846003876 10031947532846003876 Yes عاطفه ازانی 10031947532846003877 10031947532846003877 No لیلا نقی پور 10031947532846003878 10031947532846003878 No