نوع مقاله : مقاله پژوهشی

نویسندگان

• زینب بیگدلی ¹
• ابوالفضل مجنونی هریس ²
• رضا دلیرحسن نیا ³
• سپیده کریمی ¹

¹ دانشگاه تبریز

² هیات علمی دانشگاه تبریز

³ دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

چکیده

این پژوهش به استفاده از روش‌های یادگیری ماشین، به‌ویژه الگوریتم ماشین بردار پشتیبان (SVM) و درخت تقویت‌شده (BT)، برای شبیه‌سازی بارش و رواناب در دو ایستگاه آخولا و پل سنیخ در بازه زمانی 1397-1355 پرداخته است. داده‌های هواشناسی و هیدرومتری از 24 ایستگاه زیر حوضه تبریز از شرکت آب منطقه‌ای و سازمان هواشناسی استان آذربایجان شرقی جمع‌آوری شدند. مقادیر بارش و رواناب به عنوان ورودی به مدل با تأخیر زمانی یک‌روزه وارد شده و سپس مقادیر رواناب ماهانه با استفاده از معیارهای ارزیابی با مشاهدات ماهانه تخمین زده شده مقایسه شدند. نتایج نشان داد که در هر دو دوره مطالعه، برای ایستگاه آخولا، مدل SVM عملکرد بهتری نسبت به مدل BT داشت و در ایستگاه پل سنیخ، مدل BT عملکرد بهتری نسبت به مدل SVM ارائه کرد. همچنین، مقدار همبستگی متقابل برای دو دوره مطالعاتی در ایستگاه آخولا به‌ترتیب برابر با 83/0 و 82/0 و ایستگاه پل سنیخ 83/0 و 77/0 به‌دست آمد. در نتایج سری زمانی نیز، روند مشخصی برای بارش در طول دوره مشاهده نشد، اما دبی رودخانه‌ها در ایستگاه آخولا و پل سنیخ، به‌ویژه بعد از سال 1374، روند کاملاً نزولی داشته است. از جمله دلایل اصلی این کاهش رواناب، توسعه کشاورزی و صنعت ذکر شده است.

کلیدواژه‌ها

• آجی‌چای
• آخولا
• دشت تبریز
• شبیه‌سازی بارش-رواناب
• یادگیری ماشین

موضوعات

• مدیریت منابع آب

عنوان مقاله [English]

Application of Support Vector Machine and BoostedTree Algorithm for Rainfall-Runoff Modeling (Case Study: Tabriz Plain)

نویسندگان [English]

• Zeinab Bigdeli ¹
• Abolfazl Majnooni-Heris ²
• Reza Delirhasannia ³
• Sepideh Karimi ¹

¹ University of Tabriz

² Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz

³ Asoc. Professor, Department of Water Engineering, Faculty of Agriculture, Tabriz University, Tabriz, Iran

چکیده [English]

This research focuses on the application of machine learning methods, particularly Support Vector Machine (SVM) and Boosted Trees (BT) algorithms, for simulating precipitation and runoff in two stations, Akhula and Pole Senikh, in the time period of 1976-2019. Meteorological and hydrometric data were collected from 24 stations in the Tabriz watershed, obtained from the Regional Water Company and East Azerbaijan Meteorological Organization. Precipitation and runoff values were used as input to the model with a one-day time lag, and monthly runoff values were estimated and compared with monthly observations using evaluation criteria. The results showed that for both study periods, SVM model performed better than BT model for Akhula station, while BT model performed better than SVM model for Pole Senikh station. Additionally, the cross-correlation coefficient for the two study periods was found to be 0.83 and 0.82 for Akhula station, and 0.83 and 0.77 for Pole Senikh station, respectively. In the time series results, no significant trend was observed for precipitation during the observation period, but river discharge in Akhula and Pole Senikh stations, especially after 1994, showed a clear decreasing trend. One of the main reasons for this reduction in runoff was attributed to agricultural and industrial development.

کلیدواژه‌ها [English]

• Aji Chai
• Boosted Tree
• Tabriz plain
• Support Vector Machine
• Rain-Runoff modeling