fa پیش بینی بارش ماهانه با استفاده از مدل های برنامه ریزی ژنتیک و ماشین بردار پشتیبان تخصصي Special كاربردي Applicable <div style="text-align: justify;"><span style="font-size:18px;"><span style="background:white;"><span style="color:#202122;"><span style="font-family:B Nazanin;">برآورد و پیش&shy;&shy;بینی بارش و دستیابی به مقدار رواناب ناشی از آن، نقش اساسی و مؤثری را در مدیریت و بهره&shy;برداری صحیح از حوضه، مدیریت سدها و مخازن، به حداقل رساندن خسارات ناشی از سیلاب و خشکسالی و مدیریت منابع آب ایفا می&shy;کند. عملکرد مطلوب مدل&shy; های هوشمند باعث افزایش استفاده از آن&shy;ها برای پیش&shy;بینی پدیده &shy;های مختلف هیدرولوژیکی شده است. لذا در این پژوهش، دو مدل هوشمند برنامه&shy;ریزی ژنتیک و ماشین بردار پشتیبان برای پیش&shy;بینی بارش ماهانه استان اردبیل به &shy;کار گرفته شده و از داده&shy; های بارش، دما و رطوبت نسبی در مقیاس ماهانه به &shy;عنوان پارامترهای ورودی مدل&shy; ها استفاده شد. نتایج به&shy;دست آمده نشان داد که عملکرد هر دو مدل خوب و تقریبا یکسان بوده (میانگین خطای مطلق به ترتیب 0.8 و 0.721) ولی با توجه به ارزیابی&shy; های انجام شده مدل رگرسیون بردار پشتیبان عملکرد نسبتا بهتری داشته است</span></span></span> <span style="background:white;"><span style="color:#202122;"><span style="font-family:B Nazanin;">(</span></span></span><span style="font-family:B Nazanin;">ضریب همبستگی0.999<span style="background:white;"><span style="color:#202122;">). به طورکلی می &shy;توان گفت که مدل رگرسیون بردار پشتیبان برای مدل&shy;سازی و پیش&shy;بینی بارش ماهانه استان اردبیل مناسب</span></span></span> <span style="background:white;"><span style="color:#202122;"><span style="font-family:B Nazanin;">&shy;تر بوده است.</span></span></span></span></div> <div style="text-align: justify;"><span style="font-size:16px;">Rainfall and runoff estimation play a fundamental and effective role in the management and proper operation of the watershed, dams and reservoirs management, minimizing the damage caused by floods and droughts, and water resources management. The optimal performance of intelligent models has increased their use to predict various hydrological phenomena. Therefore, in this study, two intelligent models including, genetic programming and support vector machine were used to forecast the monthly precipitation of Ardabil province. For this purpose, precipitation, temperature, and relative humidity on a monthly scale were considered as the input parameters of the models. The results showed that the performances of both models were good and almost the same (mean absolute error of 0.8 and 0.721, respectively), but according to the evaluations, the support vector regression model had a relatively better performance (correlation coefficient 0.999) compared to another model. In general, it can be concluded that the support vector regression model has been more suitable for modeling and forecasting monthly precipitation in Ardabil province.</span><span dir="RTL"></span><span dir="RTL"></span></div> بارش ماهانه, برنامه ریزی ژنتیک, تابع برازش, ضریب همبستگی, ماشین بردار پشتیبان. Monthly rainfall, Genetic programming, Fitting function, Correlation coefficient, Support vector machine. 63 71 http://jircsa.ir/browse.php?a_code=A-10-1685-1&slc_lang=fa&sid=1 Milad Sharafi میلاد شرفی miladsharafi1@gmail.com 10031947532846003484 10031947532846003484 Yes Tabriz University دانشگاه تبریز Saeed Samadian Fard سعید صمدیان فرد samadianfard@gmail.com 10031947532846003485 10031947532846003485 No Tabriz University دانشگاه تبریز Sajjad Hashemi سجاد هاشمی sajjad.hashemi@gmail.com 10031947532846003486 10031947532846003486 No Tabriz University دانشگاه تبریز