پديد آورندگان :
صمدي، ميثم دانشگاه علوم كشاورزي و منابع طبيعي گرگان - دانشكده مرتع و آبخيزداري , بهره‌مند، عبدالرضا دانشگاه علوم كشاورزي و منابع طبيعي گرگان - دانشكده مرتع و آبخيزداري , فتح‌آبادي، ابوالحسن دانشگاه گنبد كاووس - دانشكده كشاورزي و منابع طبيعي
كليدواژه :
ايستگاه تمر , مدل سري زماني , مدل شبكه عصبي مصنوعي , مدل ماشين بردار پشتيبان , منابع آب
چكيده فارسي :
در هر برنامه مديريتي براي منابع آب، آگاهي از شرايط آينده به‌منظور تخصيص بهينه منابع آب به بخش‌هاي مختلف از قبيل شرب، كشاورزي و غيره لازم مي‌باشد. آنچه در اين ميان مهم مي‌باشد، پيش‌بيني مقادير جريان ورودي به سيستم منابع آب در ماه‌هاي آينده است. در اين راستا، استفاده از روش‌هايي كه بتواند با كمينه خطا و با توجه به داده و اطلاعات موجود، جريان رودخانه را پيش‌بيني كند، از اهميت فراواني برخوردار مي‌باشد. در پژوهش حاضر، مقادير دبي ماهانه ورودي به سد بوستان براي آينده با استفاده از داده‌هاي هيدرومتري ايستگاه تمر و به‌كارگيري سه مدل سري زماني، شبكه عصبي مصنوعي و ماشين بردار پشتيبان و همچنين، سه مدل تركيبي پيش‌بيني شد. سپس، با استفاده از معيارهاي ارزيابي اقدام به مقايسه عملكرد هر كدام از مدل‌ها شد. با توجه به نتايج به‌دست آمده در مدل، سري زماني بر اساس كمينه بودن معيارهاي آكاييك و شوارتز، مدل (1,0,1) ARIMA (2,0,0) به‌عنوان مدل برتر انتخاب شد. در مدل شبكه عصبي، شبكه با ورودي 2 و 4 نرون و در مدل SVM شبكه با ورودي 3، به‌عنوان شبكه برتر انتخاب شدند. در نهايت، با توجه به نتايج به‌دست آمده از معيارهاي ارزيابي، مدل سري زماني بهترين عملكرد را داشته است كه مقادير معيارهاي ميانگين مربعات خطا، متوسط مقادير مطلق خطاي نسبي، ميانگين مطلق خطا و نش-ساتكليف براي اين مدل به‌ترتيب برابر با 0.88، 4.71، 0.024- و 0.36 به‌دست آمد. در نتيجه، مدل سري زماني به‌عنوان بهترين مدل براي پيش‌بيني دبي ماهانه در اين ايستگاه معرفي شد
چكيده لاتين :
In any water resource management plan, there is a pivotal need to undertake the future conditions to allocate the water resources to different sectors (e.g. drinking-water supply, agriculture sector, etc.) more efficiently. Meanwhile, it is important to forecast water resources inflow for future months. To this aim, it is of prime interest to adopt models that are capable of coping with data scarcity problem and able to forecast the stream flow with the least possible error. The current study was aimed at forecasting the monthly inflow of the Boustan Dam by employing three models namely: time series method, Artificial Neural Network (ANN), Support Vector Machine (SVM), and their ensembles. The hydrometric data was obtained from the Tamar Station. Afterward, the models were compared by using several evaluation criteria. According to the Akaike and Schwarz criteria, the ARIMA (2, 0, 0) (1, 0, 1) was found to be the best time series model with a parsimonious behavior. Moreover, the ANN model with two and four input neurons and the SVM model with three input neurons were the best performing models compared to their other counterparts with different input numbers. Considering the evaluation criteria altogether, the time series method was the best performing model with the RMSE, AARE, MBE, and CE values of 0.88, 4.71, -0.024, and 0.36, respectively. Therefore, the time series method was introduced as the premier model for monthly inflow forecasting in the studied stations.
