دانشگاه سمنان مدل سازی در مهندسی 2008-4854 16 54 2018 09 23 Stream Flow Prediction Using Support Vector Machine Based on Discharge and Precipitation Time series on Upstream Stations (Case Study: Taleh Zang Hydrometric Station) پیش‌بینی جریان با استفاده از مدل ماشین بردار پشتیبان بر مبنای سری های زمانی دبی و بارش در ایستگاه‌های بالادست (مطالعه موردی : ایستگاه هیدرومتری تله زنگ) 95 104 3386 10.22075/jme.2017.11363.1112 FA حامد نوذری گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا همدان، ایران فاطمه توکلی گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا همدان، ایران Journal Article 2017 05 17 In this research, the support vector machine model was used to predict the Taleh Zang stream flow base on the data from 10 hydrometric and 8 rainfall stations upstream of the watershed in 20 years (1992-2011). To this aim and in the first step, influence of applying flow rate time series, rainfall, and a combination of these two parameters as an input; and in the next step, influence of number of upstream hydrometric and rainfall stations on forecast results were examined. The results were compared by using three statistical indicators: correlation coefficient (R2), Root-Mean-Square Error (RMSE), and standard Error (SE). The results showed that, using rainfall statistics along with the stream flow as an input to the model with R2of 0.884, RMSE of 38.41, and SE of 0.28 in comparison to the stream flow statistics as an input to the model with R2 of 0.871, RMSE of 40.20, and SE of 0.29 will improve accuracy of the forecast. Whereas, only application of rainfall time series with correlation coefficient of 0.225, RMSE of 157.73 and SE of 0.62 greatly increases error values in the results. Moreover, through increase of number of upstream hydrometric and rainfall stations, the model would be capable of forecasting stream flow with more accuracy. در این پژوهش به منظور پیش‌بینی دبی ماهانه ایستگاه هیدرومتری تله زنگ از مدل ماشین بردار پشتیبان (svm) و آمار 10 ایستگاه هیدرومتری و 8 ایستگاه باران‌سنجی بالادست آن در طول یک دوره آماری 20 ساله (1371-1390) استفاده شد. لذا در اولین گام تاثیر استفاده از سری‌های زمانی دبی، بارش و ترکیبی از این دو پارامتر به عنوان ورودی و در گام بعد تاثیر تعداد ایستگاه‌های هیدرومتری و باران‌سنجی بالادست بر نتایج پیش‌بینی، مورد بررسی قرار گرفت. مقایسه نتایج به کمک سه شاخص آماری ضریب همبستگی (R2)، جذر میانگین مربعات خطا (RMSE) و خطای استاندارد (SE) صورت گرفت و نتایج نشان داد که استفاده از آمار بارندگی در کنار دبی، به عنوان ورودی مدل، با ضریب همبستگی 884/. جذر میانگین مربعات خطا 41/38 و خطای استاندارد 28/0 نسبت به استفاده از آمار دبی، به عنوان ورودی مدل، با ضریب همبستگی 871/. جذر میانگین مربعات خطا 20/40 و خطای استاندارد 29/0 دقت پیش‌بینی را بالا برده و استفاده از سری زمانی بارندگی به تنهایی، با ضریب همبستگی 225/. جذر میانگین مربعات خطا 73/157 و خطای استاندارد 62/0 به شدت باعث افزایش خطا در نتایج خواهد شد. همچنین با افزایش تعداد ایستگاه‌های هیدرومتری و باران‌سنجی در بالادست مدل قادر خواهد بود دبی را با دقت بیشتری پیش‌بینی نماید. https://modelling.semnan.ac.ir/article_3386_feacbe378250260f1b635182b3422feb.pdf