ارزيابي مدل هاي كلاسيك و مدل مفهومي IHACRES و مدل هيبريدي ANN ARMA-درشبيه سازي و پيش-بيني جريان روزانه مارون

Evaluation of Classical, Conceptual IHACRES and Hybrid ARMA-ANN Models in Simulation and Prediction of Daily Discharge of Maroun River

هدف از اين پژوهش مقايسه عملكرد مدل هاي سري زماني خطي باكس-جنكنيز و مدل مفهومي IHACRES ، مدل شبكه عصبي پرسپترون چندلايه و مدل هيبريدي ARMA-ANN به منظور شبيه سازي و پيش بيني جريان روزانه حوضه مارون مي باشد. بدين منظور از داده هاي 1370-1385 براي واسنجي و از داده هاي 1386 -1396 براي صحت سنجي مدل ها استفاده گرديد. براي انتخاب مدل هاي برتر باكس-جنكنز از آماره هاي شوارتز SBC و معيار اطلاعات اكاييك AIC بهره گرفته شد. در مدل سازي دبي جريان روزانه حوضه مارون با شبكه هاي عصبي مصنوعي سعي شد از سناريوها و الگوريتم هاي آموزشي و توابع انتقال متفاوت با ساختار نروني گوناگون استفاده گرديد. براي مدل سازي شدت جريان روزانه با شبكه عصبي، سناريو 1 با تعداد پارامتر و تاخير زماني كمتر به عنوان سناريو برتر برگزيده شد. بررسي معيارهاي ارزيابي مدل ها نشان داد كه عملكرد مدل مفهومي در مرحله صحت سنجي بهتر از مرحله واسنجي بوده است. همچنين مدل ميانگين متحرك مرتبه چهارم MA (4) با داشتن كمترين مقدار ضريب تبيين برابر با 0/61، ضعيف ترين عملكرد را در بين مدل هاي مختلف باكس-جنكينز به خود اختصاص داد. بررسي معيارهاي ارزيابي عملكرد مدل، حاكي از برتري نسبي مدل هيبريدي ARMA-ANN نسبت به ساير مدل هاي مورد استفاده در اين پژوهش دارد. به طوري كه مدل ARMA-ANN بيشترين مقادير عددي ضريب تبين 0/86 و ضريب نش-ساتكليف 0/1 به خود اختصاص داده است. اين مطلب نشان دهنده توانايي و عملكرد مدل هيبريدي ARMA-ANN درشبيه سازي و پيش بيني جريان روزانه حوضه مارون در مقايسه با ساير مدل ها است.

The objective of this research is to compare the performance of linear time series models of Box-Jenkins and IHACRES, multilayer perceptron ANN and hybrid ARMA-ANN in order to simulate and predict the daily discharge of Maroun River. For this purpose, daily discharge data of (1991-2006) were used for calibration and data of (2007-2017) were used for verification of the models. Schwartz (SBC) and Akaike information criterion (AIC) were used to select the best model. Different scenarios, learning algorithms and transfer functions with various neuron structures were used to develop the ANN model. The first scenario with less parameters and delay time was selected as the best ANN model in prediction of daily flow rate. Evaluation indices showed that the conceptual model performance in verification stage was better than that in calibration stage. Also, the 4th order moving average model with R2=0.61 had the weakest performance as compared to the other Box-Jenkins models. Evaluation indices indicating a relative promotion for ARMA-ANN hybrid model as compared to the other proposed models. As, ARMA-ANN hybrid model obtained the highest R2=0.86 and Nash-Satcliffe coefficient equal to 0.81. The results prove the ability of ARMA-ANN hybrid model for simulation and prediction of daily discharge, as compared with other models.