كليدواژه :
توابع مد ذاتي , دبي بين ايستگاهي , سري زماني , مدل تركيبي
چكيده فارسي :
پيش‌بيني صحيح دبي روزانه‌ي رودخانه، ابزاري مناسب جهت برنامه‌ريزي و مديريت منابع آب سطحي مي‌باشد. از اين‌رو در اين مقاله با بهره‌گيري از مدل‌هاي رگرسيون فرآيند گاوسي (GPR)، ماشين يادگيري قدرتمند (ELM) و روش تركيبي تجزيه‌ي مد تجربي يكپارچهي كامل، دبي بين ايستگاهي رودخانه‌ي آركانزاس واقع در ايالت متحده آمريكا مورد بررسي قرار گرفت. بدين‌منظور ابتدا دبي روزانه و ماهانه با استفاده از روش رگرسيون فرآيند گاوسي و ماشين يادگيري قدرتمند پيش‌بيني شد. سپس سري زماني اصلي توسط روش تجزيه‌ي مد تجربي يكپارچهي كامل به زيرسري‌هاي توابع مد ذاتي (IMFs) و باقيمانده (Residual) تجزيه گرديد؛ در ادامه اين زيرسري‌هاي تجزيه‌شده، ورودي مدل‌هاي گاوسي و ماشين يادگيري قدرتمند را تشكيل دادند تا مدل‌هاي تركيبي طراحي گردند. براي ارزيابي كارآيي مدل‌ها از معيارهاي همبستگي خطي (DC)، ريشه ميانگين مربعات خطا (RMSE)، ضريب همبستگي (R) و ميانگين درصد خطاي مطلق (MAPE) استفاده شد. نتايج نشان داد كه استفاده از روش CEEMD باعث بهبود عملكرد مدل‌هاي مورد استفاده شده است. به‌طوري‌كه مقادير خطاي مطلق (MAPE) مربوط به مدل GPR با پيش‌پردازش CEEMD در پيش‌بيني جريان ايستگاه‌هاي اول، دوم و سوم نسبت به مدل GPR بدون پيش‌پردازش به ترتيب 34، 27 و 32 درصد كاهش داشته است. همچنين تأثير هر يك از زيرسري‌هاي تجزيه‌ي مد تجربي يكپارچه كامل در پيش‌بيني دبي مورد ارزيابي قرار گرفت. مشاهده گرديد كه زيرسري باقيمانده ناكارآمدترين زيرسري است. مدل تركيبي CEEMD- ELM در مديريت حوضه‌هاي آبخيز و كنترل سيل كشور ايران مي‌تواند استفاده شود.
چكيده لاتين :
Accurate prediction of river daily discharge is a suitable tool for water resources planning and management. In this paper, cross station discharge of the Arkansas River in U.S.A, were examined using Gaussian Process Regression (GPR), Extreme Learning Machine (ELM) and complete ensemble empirical mode decomposition combined models. For this Purpose, in the first step, the daily and monthly discharge was predicted via GPR and ELM models. Then, the discharge time series were broken up by CEEMD method into cages, and these subclasses were introduced into the Gaussian process regression end ELM modeling to simulate discharge. Furthermore, direct correlation (DC), Root Mean Square Error (RMSE), correlation coefficient (R) and Mean Absolute Percentage Error (MAPE) were used to evaluate the efficiency of the models. The results showed that the CEEMD approach improved the performance of the above mentioned models dramatically. For instance, the values of MAPE correspond to GPR hybrid model in forecasting discharge in the first, second and third station with CEEMD pre-processing were reduced by 34, 27and 32 percent, respectively, as compared to those in the GPR model without pre-processing. Also, the effect of each of the sub-series of ensemble empirical mode decomposition model (Residual and IMFs) was studied to improve predictive outcomes. It was observed that the most inefficient subseries in the complete ensemble empirical mode decomposition model is the residual subseries. The CEEMD- ELM model can be used in watershed management and flood control in Iran.
