ماشین بردار تکاملی

تعیین بار رسوبی معلق رودخانه ها یکی از پروژه های مهم مهندسی رودخانه می باشد. پیش بینی بار رسوبی معلق کمک شایانی در زمینه مدیریت منابع آبی خواهد نمود. سوال اصلی در این تحقیق بررسی نقش انواع داده های روزانه، ماهانه و سالانه در برآورد بار رسوبی با استفاده از مدل های مبتنی بر یادگیری ماشین است. بدین منظور از آمار بار معلق در سه مقیاس زمانی روزانه، ماهانه و سالانه ایستگاه هیدرومتری اوهایو واقع در ایالات متحده آمریکا در فاصله سال های 1992 تا 2014 استفاده گردید. با هدف انتخاب مناسب ترین مدل، مدل های شبکه عصبی مصنوعی پس انتشار خطا و تابع پایه ی شعاعی، رگرسیون خطی، k نزدیک ترین همسایه، درخت تصمیم M5، فرآیند گوسی، ماشین بردار پشتیبان و ماشین بردار پشتیبان تکاملی اجرا و مورد ارزیابی قرار گرفتند. نتایج حاصل از این ت حقیق نشان داد که ب رای داده های روزانه، م دل k نزدیک ترین همسای ه با 28/5RMSE=؛ برای داده های ماهانه مدل فرآیند گوسی با 7/8RMSE= و برای داده های سالانه مدل فرآیند گوسی با مقدار 2/7RMSE= مناسب ترین مدل جهت پیش بینی بار رسوبی معلق بوده اند. همچنین مقایسه مقادیر ارزیابی مدل ها حاکی از آن است که پیش بینی داده های سالانه نسبت به ماهانه و روزانه از دقت بیشتری برخوردار هستند.  

بار رسوبی معلق یکی از مهم ترین عناصر رودخانه ای است که علاوه بر تاثیر بر کیفیت آب، نقش موثری در مدیریت منابع آبی و سازه های احداثی بر روی این منابع دارد. پارامترهای فیزیوگرافی که بیانگر ویژگی های فیزیکی حوضه آبریز هستند می تواند به عنوان یک فاکتور تعیین کننده در میزان رسوب زایی حوضه آبریز مطرح گردد. روش های متعددی به منظور برآورد بار معلق رودخانه ها وجود دارد. از جمله این روش ها استفاده از مدل های داده کاوی می باشد که در حل مسایل هیدرولوژی رسوب بسیار پرکاربرد می باشد. لذا در این پژوهش با تلفیق مدل های داده کاوی و پارامترهای فیزیوگرافی، بار رسوب 30 حوضه آبریز در استان لرستان با دوره آماری 33 ساله برآورد گردید. به منظور بررسی اثر شاخص های مختلف فیزیوگرافی بر میزان برآورد رسوب در گام نخست دبی جریان به عنوان تنها ورودی مدل ها و در گام بعدی شاخص های مختلف فیزیوگرافی حوضه به عنوان ورودی های مدل های مختلف داده کاوی انتخاب گردید. در این مطالعه از پنج مدل داده کاوی از جمله شبکه عصبی مصنوعی، ماشین بردار پشتیبان تکاملی، درخت تصمیم، فرآیند گوسی و رگرسیون استفاده شد. نتایج نشان داد تمامی مدل ها از دقت قابل قبولی برخوردار بودند. در هر دو مجموعه داده، مدل ماشین بردار پشتیبان تکاملی دارای بهترین دقت بود. با به کارگیری شاخص های مورد اشاره دقت در تمامی مدل ها افزایش یافت به طوریکه در مدل ماشین بردار پشتیبان تکاملی میزان میانگین مربعات خطا از 74/6 به 3 کاهش یافت و ضریب همبستگی از 994/0 به 999/0 افزایش یافت. وزن دهی پارامترها نیز نشان داد که بیشترین وکمترین وزن به ترتیب مزبوط به شاخص زبری و نسبت کشیدگی بوده است.