پيش بيني جريان رودخانه با مدل هاي ANN و بررسي عملكرد آن با ورودي هاي SOI

Stream flow forecast using ANN models and investigation of model’s performance by SOI inputs

چكيده 1 تكنيك هاي مدل سازي مرسوم مانند رگرسيون و سر يهاي زماني، در مدل كردن فرآيندهاي غيرخطي همانند پيش بيني جريان رودخانه بيش تر با شكست مواجه م يشوند. از اين رو تكنيك هاي مي توانند ابزار كارآمدتري براي پيش بيني اين (ANN) غيرخطي مانند شبك ههاي عصبي مصنوعي فرآيندها باشند. در اين مقاله جريان 1 تا 3 ماه بعد حوضه كارون، پيش بيني مي گردد. در اين راستا ابتدا 4 مدل ورودي ،(PCA) و آناليز مولفه هاي اصلي (CC) با به كارگيري تكنيك هاي همبستگي دودويي و شاخص هاي ارزيابي (CV) ساخته شد. سپس با استفاده از تكنيك اعتبارسنجي حذفي ANN از همانند ضريب تعيين، ميانگين قدر مطلق خطا و ريشه ميانگين مربعات خطا برترين مدل ورودي شناسايي گرديد. همچنين براي تعيين ميزان اثربخشي هر يك از متغيرهاي ورودي و مولفه هاي اصلي، بررسي شد. در نهايت اثر شاخص ANN نقش منفرد و تركيبي هر يك از آنها بر عملكرد مدل بر عملكرد بهترين مدل ورودي، مورد ارزيابي قرار t- و 2 t-1 ،t در زمان هاي (SOI) نوسانات جنوبي گرفت. نتايج بيانگر آن بود كه در حوضه كارون، متغيرهاي دمايي بيش ترين تاثير را بر جريان رودخانه به عنوان متغير ورودي، به طور متوسط عملكرد اين مدل ها را به ميزان 5 SOI دارند. همچنين شاخص بهبود بخشيده است. R و 4 درصد براي 2 MAE و RMSE درصد براي حوضه كارون ،SOI ،ANN ، واژ ههاي كليدي: پيش بيني جريان

Abstract1 Traditional modeling techniques such as regression and time series, often fail in the modeling of nonlinear hydrological processes like stream flow forecasts. Therefore, nonlinear techniques such as Artificial Neural Networks (ANNs) could be more efficient tools for forecasting these processes. This study aims to forecast the next 1- to 3-months flow of Karoon basin. For these forecasts, first four input models of ANN have been constructed by Principal Component Analysis (PCA) and Cross Correlation (CC) techniques. Then, using Cross Validation (CV) method and model performance evaluation indices like determination coefficient, mean absolute error and root mean square error, the best input model was identified. Also, to determine the effectiveness of each input variables and principal components, their single and compound role on ANN performance was investigated. Finally, the effect of SOI index at t, t-1 and t-2 times on the best model performance was evaluated. Results showed that thermal variables have the greatest influence on Karoon basin streamflow. Also, SOI index as input variable can improve the performance of model averagely about 5% in MAE and RMSE and 4% in R2 values. Keywords: Stream flow forecast, ANN, SOI, Karoon basin