مقايسه ي شبيه ها و روشهاي مختلف پيش بيني ماهانه ي جريان مبتني بر هوش مصنوعي

Comparison of Artificial Intelligence Based Models and Methods in Monthly Flow Forecasting

پيش بيني دقيق جريان در رود ها از اهميت بسزايي در مديريت منابع آبهاي سطحي برخوردار مي باشد؛ به همين دليل، همواره تلاشهاي زيادي براي طراحي و معرفي شبيه هاي دقيق پيش بيني صورت گرفته است. در تحقيق حاضر با استفاده از شبيه هاي خود همبسته ي ميانگين متحرك با وروديهاي غير تصادفي (ARMAX)، ANN و GP براي پيش بيني ماهانه ي جريان به دو روش پيش بيني زنجيره ي زماني و پيش بيني ماهانه ي مجزاي جريان رود سعيد آباد واقع در استان آذربايجان شرقي استفاده شده است. سپس، ضمن مقايسه نتايج حاصله از اين شبيه ها در هريك از روشهاي پيش بيني، عملكرد دو روش پيش-بيني زنجيره ي زماني آبدهي و پيش بيني ماهانه ي مجزاي جريان، نسبت به يكديگر ارزيابي شده است. براي ارزيابي شبيه ها و روشهاي پيش بيني از دو معيار ارزيابي كارآيي ضريب تبيين (R2)، و جذر ميانگين مربعات خطا (RMSE) استفاده شده است. نتايج حاكي از كارايي مناسب و دقت بالاي GP در مقايسه با ANN و ARMAX در پيش بيني ماهانه ي جريان رود ها در هر دو روش پيش بيني زنجيره ي زماني و پيش بيني ماهانه مجزا مي باشد. بطوري كه شبيه GP در پيش بيني زنجيره ي زماني آبدهي، با R2 برابر با 7/0 و RMSE برابر با 172/0 نسبت به ANN با R2 برابر با 627/0 و RMSE برابر با 193/0 و ARMAX با R2 برابر با 595/0 و RMSE برابر با 243/0 از عملكرد بهتري برخوردار است. در پيش بيني ماهانه ي مجزا هم اين برتري براي بيشتر ماهها ديده مي شود. در مقايسه ي دو روش پيش بيني ماهانه ي جريان، نتايج نشان دادند كه مي توان از روش پيش بيني ماهانه ي مجزا نسبت به روش پيش بيني زنجيره ي زماني به عنوان يك روش پيش بيني با دقت بيشتر و كارايي بالاتر نام برد.

Rivers flow forecasting has special importance in surface water management, especially in agricultural planning and risk reduction of floods and droughts. In recent years, studies have shown the superiority of time-series forecasting models based on artificial intelligence, such as artificial neural networks (ANN) and genetic programming (GP). In this paper, continuous and discrete historical flow records are used for Saeed-Abad monthly river flow forecasting in East Azarbaijan province, Iran. Auto regressive moving average with exogenous inputs (ARMAX), ANN, and GP models are used and compared to each other. Coefficient of determination (R2) and root mean square error (RMSE) are used to evaluate the performance of the aforementioned models. Results show that for the two methods, the GP model is more effective than ARMAX and ANN in terms of accuracy. For continuous time-series forecasting, GP is a more precise model (R2 = 0.7 and RMSE = 0.172) than either ANN (R2 = 0.627 and RMSE = 0.193) or ARMAX (R2 = 0.595 and RMSE = 0.243). For discrete time-series forecasting, the superiority of the GP model is evident in almost all months. Moreover, results indicate that discrete monthly time-series forecasting method is superior to the continuous monthly time-series forecasting method.