بررسي عدم‌قطعيت مدل‌هاي داده‌مبنا در پيش‌بيني دبي ماهانه حبله‌رود

Investigating the Uncertainty of Data-Based Models in Forecasting Monthly Flow of the Hablehroud River

مديريت مناسب حوضه هاي آبريز نيازمند در اختيار داشتن پيش بيني هاي دقيق و قابل اطمينان از دبي رودخانه هاست. در ساليان اخير، مدل هاي داده مبنا و به ويژه مدل هاي مبتني بر هوش مصنوعي، در زمينه هاي مختلف مرتبط با منابع آب با موفقيت مورد استفاده قرار گرفته اند. با اين وجود، تحليل عدم قطعيت اين مدل ها كمتر مورد توجه قرار گرفته است. در مطالعه حاضر، عدم قطعيت خروجي پنج مدل مبتني بر هوش مصنوعي شامل مدل هايي از نوع ماژولار، PCA، TLRN، ANFIS و SVM در پيش بيني دبي ماهانه حبله رود، با استفاده از كميت هاي 95PPU، p-factor و d-factor مورد بررسي قرار گرفته است. با استفاده از داده هاي ثبت شده از متغيرهاي هواشناسي و دبي طي سال هاي 2012-1998 در حوضه آبريز حبله رود در شرق استان تهران، ساختارهاي متفاوتي از مدل ها مورد آموزش و آزمون قرار گرفتند. مقادير نهايي p-factor و d-factor براي هر كدام از پنج مدل مورد بررسي محاسبه شد. نتايج نشان داد SVM با p-factor نهايي معادل با 82 درصد در مرحله آزمون، قابل اعتمادترين مدل براي پيش بيني دبي ماهانه در حوضه مورد بررسي است.

Accurate and reliable forecasts of river flow are required for proper management of watershed systems. In recent years, data-driven models and especially artificial intelligent based models have been successfully used in various areas related to water resources. However, uncertainty analysis of these models has been less appreciated in prior studies. In the present study, the output uncertainty of five data-driven models including modular, PCA (Principle Component Analysis), TLRN (Time-Lagged Recurrent Network), ANFIS (Adaptive-Network-based Fuzzy Inference System) and SVM (Support Vector Machine) type models in forecasting river flow has been investigated using 95PPU, p-factor and d-factor quantities. Using the observed meteorological and flow data during 1998-2012 in Hablehroud Basin, different structures of the proposed models were trained and tested. The final values of p-factor and d-factor for each model type were obtained. The results showed that SVM with a p-factor of 82% produces the most reliable forecasts in the present study.