پيش بيني جريان روزانه رودخانه نوران چاي با استفاده از مدل تركيبي شبكههاي عصبي مصنوعي- تجزيه مولفه هاي اصلي

Daily Streamflow Forecasting of Nooranchay River Using the Hybrid Model of Artificial Neural Networks- Principal Component Analysis

پيش بيني دقيق جريان روزانه، نقش به سزايي در مديريت كارآمد منابع آب ايفا مي كند. به اين منظور در اين تحقيق سعي شده است كه جهت مدل سازي هرچه دقيق تر فرآيند پيش‌بيني جريان روزانه رودخانه نوران چاي واقع در حوضه آتشگاه، از شبكه هاي عصبي مصنوعي (ANN) استفاده گردد. همچنين به‌منظور افزايش كارآيي ANN از تجزيه مولفه‌هاي اصلي (PCA) جهت پيش‌پردازش داده هاي ورودي استفاده گرديده و درنهايت داده هاي خروجي حاصل، با نتايج مدل رگرسيون خطي چند متغيره (MLR) مقايسه شده است. نتايج نشان داد كه مدل تركيبي ANN-PCA در قياس با مدل ANN منفرد و MLR از دقت بسيار بالايي برخوردار است. به طوري كه نتايج معيارهاي ارزيابي شامل ضريب همبستگي (CC)، ضريب راندمان (EC) و جذر ميانگين مربعات خطاها (RMSE) براي مدل تركيبي ANN-PCA (در مرحله صحت سنجي) برابر 9959/0=CC، 9905/0=EC و 0071/0=RMSE، مدل ANN منفرد (در مرحله صحت-سنجي) برابر 9093/0=CC، 8269/0=EC و 0405/0=RMSE و مدل MLR برابر 8866/0=CC، 7860/0=EC و 0926/0=RMSE به‌دست آمدند. همچنين استفاده از PCA به‌عنوان يك روش موثر جهت پيش‌پردازش داده ها، با ايجاد مولفه‌هاي مستقل از هم موجب از بين رفتن هم خطي چندگانه مي شود. بنابراين PCA موجب افزايش كارآيي مدل ANN مي گردد.

Accurate forecasting of the daily discharge plays a significant role in the efficient management of water resources. For this purpose in order to model more accurately the process of forecasting the daily discharge of Nooranchay river in Atashgah basin, the artificial neural networks model (ANN) was used. In addition, in order to increase the accuracy of ANN, the principal component analysis (PCA) was used for preprocessing of input data. Finally, the results of multivariate linear regression (MLR) model were compared with the obtained results in the mentioned hydrological simulation. The results indicated that the hybrid model of ANN-PCA in comparison with ANN and MLR, had the highest precision. So that the results of goodness-of-fit tests criteria, such as the correlation coefficient (CC), the efficiency coefficient (EC) and the root mean square error (RMSE) for the hybrid model of ANN-PCA (at the verification stage) were CC=0.9959, EC=0.9905 and RMSE=0.0071, and for the ANN (at the verification stage) were CC=0.9093, EC=0.8269 and RMSE=0.0405 and the results for the MLR were obtained as CC=0.8866, EC=0.7860 and RMSE=0.0926. Also the use of PCA as an effective method for pre-processing of data, created independent components which eliminated the multicollinearity. Therefore, the PCA increased the efficiency of the ANN.