مدل سازی یا شبیه سازی سیل یکی از راهکارهای اساسی برای مدیریت و کاهش اثرات مخرب این پدیده بوده و شناسایی مدل هایی کارآمد بدین منظور، یکی از مهم ترین ارکان در مدیریت حوضه های آبریز است. در این پژوهش دقت مدل های ماشین بردار کلاسیک(SVM) ، ماشین بردار پشتیبان تلفیق شده با الگوریتم ملخ  (GOA-SVM)و حداقل مربعات ماشین بردار پشتیبان (LS-SVM) در شبیه سازی دبی اوج سیل ایستگاه پل دختر در حوضه کرخه، مورد ارزیابی قرار گرفته است. بدین منظور از آمار 74 واقعه سیل در محدوه سال های 1388 تا 1395 در ایستگاه پل دختر و بارش روزانه 13 ایستگاه باران سنجی در حوضه آبریز بالادست این ایستگاه استفاده شده است. از این تعداد، 52 واقعه برای آموزش و 22 واقعه نیز برای صحت سنجی مدل ها انتخاب شد. مقایسه نتایج به کمک چهار شاخص آماری ضریب تبیین(R^2)، جذر میانگین مربعات خطا (RMSE)، خطای استاندارد (SE)، ضریب نش (NS) و همچنین تحلیل عدم قطعیت به کمک دو شاخص متوسط طول بازه نسبی  (ARIL)و درصد پوشش (POC) صورت گرفت. نتایج حاکی از برتری نسبی مدل LS-SVM با 407/0SE=، 16/110RMSE=، 91/0NS= و 92/0R2= نسبت به مدل SVM با  5/0 SE=، 70/137RMSE=، 87/0NS= و 88/0R2= و مدل SVM-GOA با 519/0 SE=، 53/144RMSE=، 83/0NS= و 9/0R2= است. متوسط مدت زمان اجرای مدلLS-SVM   در حد چند ثانیه و این زمان در مدل SVM-GOA در حد چند ساعت است. از سوی دیگر تنظیم پارامترهای مدل SVM کلاسیک بصورت دستی نیز مستلزم صرف زمان زیادی است. لذا مدلLS-SVM  به دلیل دارا بودن پارامترهای قابل تنظیم کمتر نسبت به مدل های SVM وSVM-GOA ، از لحاظ اجرایی ازسهولت بیشتری برخوردار است. لذا می توان با قطعیت و اختلافی چشمگیر مدلLS-SVM  را نسبت به دو مدل دیگر در ارجحیت قرار داد.

پیش بینی دقیق جریان رودخانه ها در مدیریت بهینه ی منابع آب های سطحی اهمیت به سزایی دارد. یافتن مدل مناسب برای پیش بینی دقیق این پارامتر یکی از راه های مهم اقدامات در شبیه سازی و پیش بینی است. در این مطالعه سه مدل ANFIS، SVM و GP برای مدل سازی دبی ماهانه ی رودخانه ی نازلوچای در محل ایستگاه هیدرومتری تپیک واقع در غرب دریاچه ی ارومیه تحت تأثیر بارش حوضه ی رودخانه ی مطالعه شده بررسی و مقایسه شد. در همه ی روش های یادشده الگوهای M1 تا M5 داده های دبی جریان با تأخیر یک تا پنج و الگوهای M6 تا M10 الگوی ترکیبی با داده های بارش و دبی و با تأخیرهای یک تا پنج ماه بررسی شدند. برای بررسی مقادیر خطای ناشی از مدل سازی از سه روش ضریب تبیین، مجذور میانگین مربعات خطا و معیار کارایی مدل استفاده شد. نتایج بررسی دقت و میزان خطای مدل ها نشان داد الگوی ترکیبی فقط در مدل SVM بهترین نتیجه را داده است و در دو مدل GP و ANFIS الگوهای تک سری بهترین نتیجه را ارائه کردند. از بین سه مدل بررسی شده، مدل ANFIS با الگوی ورودی چهار و پنج تأخیر بهترین نتیجه را داد. به طور کلی، نتایج نشان داد با به کارگیری مدل ANFIS در مدل سازی دبی جریان ماهانه ی رودخانه ی نازلوچای، خطای مدل نسبت به دو مدل GP و SVM به ترتیب حدود 23 و 3 درصد (در واحد دبی جریان) کاهش و دقت مدل نیز نسبت به دو مدل GP و SVM به ترتیب حدود 10 و 4 درصد افزایش می یابد.

در این پژوهش به منظور ارزیابی عملکرد مدل های شبیه سازی از چهار روش GP، ANN، BCSD و SVM استفاده شد. مدل سازی بر اساس داده های بزرگ مقیاس مدل های گردش عمومی جو و دمای میانگین روزانه ایستگاه سینوپتیک اهواز در دوره 2004-1971 انجام شد و ارزیابی هر مدل بر اساس معیارهای ضریب همبستگی و خطای مدل سازی بین داده های مشاهداتی و شبیه سازی شده انجام گرفت. نتایج مدل سازی نشان داد که ضریب همبستگی بین داده های مشاهداتی و شبیه سازی شده در روش SVM از سایر روش ها بیشتر بوده و مقدار آن 9960/0 می باشد. ضریب همبستگی برای روش GP، ANN و BCSD به ترتیب برابر 9393/0، 9384/0 و 4936/0 می باشد. همچنین نتایج حاصل از ارزیابی خطای شبیه-سازی با استفاده از معیارهای RMSE وNSE برای SVM به ترتیب 677/0 و 995/0 درجه سانتی گراد محاسبه شده است. به طور مشابه این مقادیر برای GP 644/1 و 969/0، ANN 657/1 و 968/0 و BCSD 174/6 و 661/0 درجه می باشد. بنابراین SVM در مدل سازی دمای میانگین نسبت به سایر روش ها از عملکرد بهتری برخوردار است و مدل سازی دما به روش BCSD نسبت به سایر روش ها از دقت کمتری برخوردار است. روش GP نسبت به ANN برتری ضعیفی دارد و پیشنهاد می شود برای ارزیابی عملکرد دقیق تر این دو مدل از دماهای حداقل و حداکثر استفاده شود.

پیش بینی جریان رودخانه به منظور مدیریت و برنامه ریزی منابع آب در رودخانه ها، دریاچه ها، مخازن سدها و همچنین برای حفاظت کناره های رودخانه در زمان وقوع سیلاب انجام می گیرد. در این تحقیق از مدل های شبکه های عصبی مصنوعی، هیبرید موجک عصبی، برنامه ریزی بیان ژن و کمترین مربعات ماشین بردار پشتیبان به منظور تخمین جریان روزانه رودخانه خیاوچای استفاده شد. بدین منظور داده های دبی و بارش روزانه ایستگاه هیدرومتری پل سلطانی واقع بر رودخانه یادشده طی دوره آماری 1378 1392 به کار گرفته شد. پس از محاسبه ضرایب همبستگی متقابل متغیرهای بارش و دبی، شش الگوی مختلف به منظور تخمین رواناب روزانه تعیین شد. برای ارزیابی مدل ها از شاخص های آماری و آزمون ANOVA استفاده شد. نتایج بیان کننده برتری مدل هیبرید موجک عصبی با بیشترین ضریب همبستگی (877/0=R)، کمترین ریشه میانگین مربعات خطا (696/0=RMSE) و ضریب نش ساتکلیف برابر 767/0 در مرحله صحت سنجی بود. نتایج آزمون آنوا نیز نتایج شاخص های آماری را تأیید کرد و مدل هیبرید موجک عصبی با داشتن کمترین مقدار آماره F (11/0) و بیشترین سطح معناداری (75/0) به عنوان بهترین مدل شناخته شد. در برآورد دبی بیشینه (سیلاب) نیز مدل یادشده با میانگین خطای نسبی 19/30 درصد، به مقدار شایان توجهی خطای کمتری نسبت به سایر مدل ها داشت.

رودخانه ها مهم ترین منابع آب آشامیدنی، کشاورزی و صنعت به شمار می روند. ازاین رو بررسی و تخمین پارامترهای کیفی آب در طول یک رودخانه باید مورد توجه قرار گیرد. در این پژوهش از سه مدل سیستم سامانه استنتاجی عصبی-فازی تطبیقی (ANFIS)، حداقل مربعات ماشین بردار پشتیبان (LS-SVM) و برنامه ریزی بیان ژن (GEP) برای تخمین برخی از پارامترهای کیفی آب (کل جامدات محلول، هدایت الکتریکی و سختی کل) رودخانه سفیدرود طی یک دوره آماری 40 ساله استفاده شد. ارزیابی این سه روش هوش مصنوعی توسط معیارهای آماری ضریب هم بستگی (R)، ضریب کارایی نش-ساتکلیف (NSE)، مربع میانگین خطای استاندارد نرمال شده (NMSE) و میانگین قدر مطلق خطا (MAE) انجام شد. نتایج حاصل از این پژوهش نشان داد که هر سه روش هوش مصنوعی ANFIS، LS-SVM و GEP قابلیت بسیار زیادی در تخمین پارامترهای کیفی TDS، TH، EC دارند. به صورتی که برای تخمین TDS روش LS-SVM، (RTrain=0. 95 RTest=0. 96)، برای تخمین EC، روش GEP، (RTrain=0. 94 RTest=0. 95) و برای تخمین TH روش ANFIS، ((RTrain=0. 92 RTest=0. 94 بهترین شبیه سازی را انجام دادند. این پژوهش نشان می دهد که با استفاده از روش های هوش مصنوعی می توان غلظت پارامترهای کیفی را در صورت عدم اندازه گیری آنها و بر اساس غلظت سایر پارامترهای کیفی محاسبه کرد.

بافت خاک یکی از مهمترین ویژگی­هایی است که رفتار فیزیکی، شیمیایی و بیولوژکی خاک را کنترل می­کند. روش­های مختلفی برای مدل­سازی بافت خاک استفاده می­شوند. یکی از راهکارهای سود بردن از مزایای این مدل­ها ترکیب تخمین آنها است. با توجه به این که بافت خاک یک داده مرکب است، وقتی اجزاء آن جداگانه تخمین زده می­شوند تضمینی برای اینکه جمع سه جزء برابر 100 شود وجود ندارد، هرچند می­توان از تبدیل­های نسبت لگاریتمی (log-ratio) استفاده کرد. اطلاعات کمی در خصوص کارآیی مدل­های ترکیبی در مدل­سازی داده­های تبدیل­شده و نشده بافت خاک وجود دارد و به نظر می­رسد بر اساس این رویکرد تا کنون مطالعه­ای روی بافت خاک انجام نشده است. در این بررسی، تعداد 200 نمونه خاک­های سطحی از  منطقه کوهدشت برداشت شد. سه مدل جنگل تصادفی (RF)، k نزدیکترین همسایه (kNN) و ماشین­های بردار پشتیبان (SVM) و مدل حاصل از ترکیب آن­ها به روش Granger-Ramanathan (GR) برای مدل­سازی، روش­های نسبت لگاریتمی جمع­پذیر (alr)، نسبت لگاریتمی مرکزی  (clr) و نسبت لگاریتمی ایزومتریک (ilr) برای تبدیل داده­ها و داده­های حاصل از مدل رقومی ارتفاع (DEM) و تصاویر لندست 8 و سنتینل 2 به عنوان ورودی مدل­ها استفاده شد. نتایج نشان داد که متغیرهای استخراج­شده از DEM اهمیت بیشتری در پیش­بینی بافت خاک داشت. به­طور کلی، هر چهار مدل با استفاده از تبدیل­ alr منجر به تخمین­های بهتری نسبت به تبدیل­های clr و ilr و داده­های تبدیل­نشده (UT) گردید. مدل ترکیبی(GR) با مقادیر RMSE برابر با 5/07، 4/21، 5/81 و 6/09 درصد برای رس، مقادیر 7/11، 5/15، 9/04 و 6/70 درصد برای سیلت و 9/20، 7/76، 11/69 و 8/74 درصد برای شن به ترتیب برای داده­های UT و تبدیل­های alr، clr و ilr منجر به بهبود تخمین­ها نگردید. به­طور کلی، کارآیی مدل SVM با داده­های تبدیل شده به روش نسبت لگاریتمی جمع­پذیر کمی­ بیشتر از سایر مدل­ها بود. نتایج نشان داد که ترکیب چند مدل یادگیری ماشین الزاما باعث بهبود تخمین­ها نمی­گردد و می­توان از یک مدل مناسب برای برآورد بافت خاک استفاده کرد.