پيش بيني جريان ماهيانه رودخانه با استفاده از مدل هاي داده مبنا

در سال‌هاي اخير، تكنيك‌هاي مدل‌سازي داده‌ مبنا كاربردهاي فراواني در مطالعات هيدرولوژي و مهندسي منابع آب يافته‌اند. توسعه مدل‌هاي برآورد يا پيش‌بيني رواناب رودخانه، يكي از زمينه‌هاي مطالعاتي است كه اين تكنيك‌ها در آن كاربرد زيادي دارند. در مطالعه حاضر، چهار تكنيك مدل‌سازي داده ‌مبنا، شامل رگرسيون خطي چندگانه، K نزديك‌ترين همسايه، شبكه‌هاي عصبي مصنوعي و سيستم‌هاي استنتاج عصبي فازي تطبيقي به‌منظور تشكيل مدل‌هاي پيش‌بيني رواناب مورد استفاده قرار گرفته و نتايج حاصل بررسي شده است. همچنين تأثير انتخاب چند سناريوي مختلف در انتخاب متغيرهاي ورودي ارزيابي شده است. نتايج به دست آمده حاكي از آن است كه استفاده از داده‌هاي جريان ماه‌هاي قبل در مجموعه داده‌هاي مورد استفاده جهت پيش‌بيني مي‌تواند سبب بهبود دقت نتايج مدل‌ها شود. به‌علاوه، مقايسه عملكرد كلي تكنيك‌هاي مدلسازي، بيانگر برتري نتايج حاصل از به‌كارگيري تكنيك KNN نسبت به ساير تكنيك‌ها مي‌باشد. در ميان مدل‌هاي برگزيده تكنيك‌هاي مختلف نيز، مدل برگزيده KNN براي حالت استفاده از داده‌هاي جريان با ضريب همبستگي خطي 0.84 بين داده‌هاي مشاهداتي جريان و پيش‌بيني‌هاي مدل و مقدار شاخص خطاي RMSE برابر 2.64 بهترين عملكرد را به نمايش گذاشت.