@article { author = {Dehghani, Reza and Ghorbani, Mohammad ali and Teshnehlab, Mohammad and Rikhtehgar Gheasi, Amir and Asadi, esamil}, title = {Comparison and Evalution of Bayesian Neural Network, Gene expression programming, Support Vector Machine and Multiple Linear Regression in River Discharge Estimation (Case Study: Sufi Chay Basin)}, journal = {Irrigation and Water Engineering}, volume = {5}, number = {4}, pages = {65-85}, year = {2015}, publisher = {انجمن علمی مهندسی آبیاری و آب ایران}, issn = {2251-7359}, eissn = {}, doi = {}, abstract = {Prediction of river dischargeis importance for reliable planning, design and management of water resources projects. This study investigates the applicability of Bayesian Neural Network (BNN), Gene-Expression Programming (GEP), Support Vector Machine (SVM), and Multi linear Regression (MLR) for prediction of river dischargetime series in the Soufichay river, Iran. Daily river dischargetime series for period of 1997 to 2010 of Tazehkand hydrometric station from Soufichay river was used. To obtain the best input–output mapping, different input combinations of antecedent daily river dischargewere evaluated. The performance of the models were evaluated through the four performance criteria: Correlation Coefficient (CC), Root Mean Square Error (RMSE), the Nash–Sutcliffe efficiency coefficient (N-S) and Bias criteria. A comparison of models indicates that BNN with CC (0.991), RMSE (0.031m3/s), N-S (0.981) and Bias(-0.006) predicted better than GEP, SVM, and MLR models for daily river dischargetime series}, keywords = {: Bayesian neural networks,Discharge,Genetic programming,Support Vector Machine}, title_fa = {مقایسه و ارزیابی مدل‌های شبکه عصبی بیزین، برنامه‌ریزی بیان ژن، ماشین بردار پشتیبان و رگرسیون خطی در تخمین بده جریان؛ مطالعه موردی حوضه صوفی چای}, abstract_fa = {پیش‌بینی جریان رودخانه برای برنامه‌ریزی طراحی و مدیریت مطمئن پروژه های منابع آب مهم است. در این پژوهش قابلیت کاربرد شبکه عصبی بیزین، برنامه‌ریزی ژن، ماشین بردار پشتیبان و رگرسیون خطی چندمتغیره برای پیش‌بینی سری زمانی جریان رودخانه صوفی چای بررسی شد. سری زمانی جریان روزانه رودخانه برای دوره 1376 تا 1389 برای ایستگاه هیدرومتری تازه کند رودخانه صوفی چای مورد استفاده واقع شد. جهت بدست آوردن بهترین نگاشت ورودی و خروجی؛ ترکیبات مختلف ورودی با استفاده از داده‌های پیشین جریان روزانه رودخانه محاسبه شد. کارایی مدل‌ها با استفاده از چهار معیار خطای: ضریب همبستگی (CC)، ریشه جذر میانگین خطا (RMSE ( و ضریب نش ساتکلیف و بایاس محاسبه شد. مقایسه مدل‌ها نشان داد که شبکه عصبی بیزین با ضریب همبستگی (991/0)، جذر میانگین مربعات خطا (m3/s031/0)، نش ساتکلیف (981/0) و مقدار بایاس (006/0-) بهترین تخمین را از داده‌های روزانه جریان رودخانه نسبت به مدل‌های برنامه‌ریزی بیان ژن، ماشین بردار پشتیبان و رگرسیون خطی چندمتغیره داشته است.}, keywords_fa = {: برنامه‌ریزی بیان ژن,دبی جریان,شبکه عصبی بیزین,ماشین بردار پشتیبان}, url = {https://www.waterjournal.ir/article_73794.html}, eprint = {https://www.waterjournal.ir/article_73794_d948057a6329afecface179a5fd5beaa.pdf} }