%0 Journal Article %T استفاده از مدل های سری زمانی، شبکه عصبی و ماشین بردار پشتیبان جهت پیش بینی دبی ورودی به سد گرگان %J محیط زیست و مهندسی آب %I انجمن علمی سیستم های سطوح آبگیر باران ایران %Z 2476-3683 %A صمدی, میثم %A فتح آبادی, ابوالحسن %D 2019 %\ 01/21/2019 %V 4 %N 4 %P 299-309 %! استفاده از مدل های سری زمانی، شبکه عصبی و ماشین بردار پشتیبان جهت پیش بینی دبی ورودی به سد گرگان %K آکاییک %K ایستگاه قزاقلی %K شوارتز %K مدل‌سازی %K نرون %R 10.22034/jewe.2018.128256.1256 %X پیش­بینی مقادیر جریان ورودی به سیستم منابع آب به­منظور آگاهی از شرایط آینده و برنامه­ریزی برای تخصیص بهینه منابع آب به بخش­های مختلف از قبیل شرب، کشاورزی و صنعتی امری ضروری در مدیریت منابع آب می­باشد. هدف از پژوهش حاضر پیش­بینی مقادیر دبی ماهانه ورودی به سد گرگان برای آینده بود. بدین منظور از داده­های هیدرومتری ایستگاه قزاقلی با دوره­ آماری 47 سال و سه مدل سری­زمانی، شبکه عصبی و ماشین بردار پشتیبان جهت پیش­بینی استفاده شد و نتایج مدل­های مختلف مورد مقایسه قرار گرفت. با توجه به نتایج به­دست آمده در مدل سری زمانی بر اساس معیارهای آکاییک و شوارتز، مدل(1,0,1)  ARIMA (1,0,0)به­عنوان مدل بهینه­ انتخاب شد. در مدل شبکه عصبی، شبکه با ورودی 2 و 10 نرون به­عنوان شبکه برتر انتخاب شد و در مدل ماشین بردار پشتیبان شبکه با ورودی 1 به­عنوان شبکه برتر انتخاب شد. در نهایت با توجه به نتایج به­دست آمده و با توجه به معیارهای ارزیابی مدل­ها، مدل ماشین بردار پشتیبان بهترین عملکرد را نسبت به دو مدل دیگر داشت. مقادیر RMSE و AARE برای مدل ماشین بردار پشتیبان به­ترتیب 31/5 و 07/1، برای مدل شبکه عصبی به­ترتیب 88/9 و 78/2 و برای مدل سری زمانی به­ترتیب 84/8 و 20/1 به­دست آمد. بر اساس نتایج این پژوهش، بهترین مدل برای پیش­بینی دبی ماهانه ورودی به سد گرگان مدل ماشین بردار پشتیبان می­باشد. %U http://www.jewe.ir/article_80266_0f347a53ff201a7b422ca793c763b11f.pdf