پيش بيني جريان آبراهه اي با استفاده از مدل هاي هيبريدي هوشمند در مقياس ماهانه (مطالعه موردي: رودخانه زرين رود)

Prediction of Stream Flow Using Intelligent Hybrid Models in Monthly Scale (Case study: Zarrin roud River)

زمينه و هدف: انتخاب ورودي‌هاي مناسب براي مدل‌هاي هوشمند از اهميت بسزايي برخوردار است زيرا باعث كاهش هزينه و صرفه‌جويي در وقت و افزايش دقت و كارايي مدل‌ها مي‌شود. هدف از پژوهش حاضر،كاربرد آنتروپي شانون براي انتخاب تركيب بهينه متغيرهاي ورودي در شبيه سازي دبي ماهانه توسط پارامترهاي هواشناسي مي‌باشد. روش بررسي: در اين مطالعه داده هاي هواشناسي و سري زماني ماهانه دبي رودخانه زرين رود (ايستگاه صفاخانه) واقع در آذربايجان شرقي در دوره زماني 1336 تا 1394 مورد استفاده قرار گرفت. پارامترهاي هواشناسي و ماه از سال به‌عنوان ورودي در روش آنتروپي به منظور تعيين تركيب موثر در نظر گرفته شد. يافته ها: نتايج آنتروپي شانون نشان داد كه پارامترهاي بارش ، ماه از سال و دما ، نتايج بهتري را براي مدل‌سازي ارايه مي‌دهد. شبيه‌سازي با استفاده از مدل هاي هيبريد هوشمند الگوريتم هيبريدي ازدحام ذرات و الگوريتم هيبريدي شبيه سازي تبريد انجام گرفت. كارايي مدل‌ها با استفاده از معيار ضريب تبيين، ريشه جذر ميانگين خطا و شاخص پراكندگي محاسبه گرديد. بحث و نتيجه گيري: نتايج نشان داد از ميان اين مدل ها با ساختار ورودي‌هاي يكسان، مدل الگوريتم هيبريدي شبيه سازي تبريد بر پايه ماشين بردار پشتيبان عملكرد بهتري براي شبيه‌سازي دبي جريان در مقايسه با ساير مدل هاي هيبريدي هوشمند داشته است. همچنين نتايج تحقيق نشان داد كه روش آنتروپي در انتخاب بهترين تركيب ورودي در مدل‌هاي هوشمند از كارايي خوبي برخوردار است.

Background and Objective: Selecting appropriate inputs for intelligent models are important because it reduces the cost and saves time and increases accuracy and efficiency of its models. The aim of the present study is the use of Shannon entropy to select the optimum combination of input variables in the simulation of monthly flow by meteorological parameters. Method: In this study, meteorological data and monthly time series of discharge of Zarrinrood River (Safavankeh Station) in East Azarbaijan from 1336 to 2015 were used. The meteorological parameters and the month of the year were considered as inputs in the entropy method to determine the effective composition. Results: Shannon entropy results showed that the rainfall parameters, month of year and temperature provide better results for modeling. The simulations were performed using intelligent hybrid models of particle swarm hybrid algorithm and hybrid simulation hybrid algorithm. Discussion and Conclusion: The results showed that among these models with the same input structure, the hybrid algorithm simulation based on the support vector machine had better performance for simulating the flow rate compared to other intelligent hybrid models. The results also show that the entropy method is good for selecting the best input combination in smart models.