پیش‍ بینی جریان رودخانه کورکورسر نوشهر با استفاده از مدل‌های هیبریدی هوش مصنوعی با رویکرد محاسبات نرم

شرافتی, احمد; معروفی نیا, ادریس; عبقری, هیراد; حسن زاده, یوسف

doi:10.22098/mmws.2022.11657.1150

پیش‍ بینی جریان رودخانه کورکورسر نوشهر با استفاده از مدل‌های هیبریدی هوش مصنوعی با رویکرد محاسبات نرم

نوع مقاله : پژوهشی

نویسندگان

¹ استادیار، گروه مدیریت ساخت و آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

² دانشجوی دکتری گروه مدیریت ساخت و آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

³ دانشیار، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ایران.

⁴ استاد گروه مهندسی آب، مرکز آموزش عالی هیدروانفورماتیک، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران.

10.22098/mmws.2022.11657.1150

چکیده

پیش‍بینی دقیق جریان رودخانه یکی از موضوعات مهم در برنامه‍ریزی، طراحی، بهره‍برداری و مدیریت سیستم منابع آب است. همچنین یک فعالیت ضروری و چالش بر‍انگیز برای شناسایی دوره‌های خشکسالی هیدرولوژیکی، هشدار و کنترل سیل، بهینه‍سازی سیستم هیدرولوژیکی یا برنامه‍ریزی جامع توسعه منابع آب در سند چشم‍انداز، مدل‍سازی فعل و انفعالات جریان آب زیرزمینی می‌باشد. در پیش‍بینی فرایند بارش-رواناب عوامل مختلف فیزیکی، هیدرولوژیکی، کلیماتولوژی و هواشناسی از قبیل دما، مقدار و نوع بارش و فراوانی وقوع آنها و عوامل ژئومورفولوژیکی و فیزیوگرافیکی از قبیل خصوصیات زمین‍شناسی، چینه‍شناسی و تکتونیک منطقه، خصوصیات خاک، پوشش گیاهی، ارتفاع، شیب، رطوبت نسبی، تبخیر و تعرق در پیش‍بینی جریان رودخانه اثر گذار هستند. در این پژوهش از داده‌های بارش (Pt)، بارش با یک روز تاخیر (Pt-1) لغایت بارش با سه تاخیر (Pt-3) و دبی با یک روز تاخیر (Qt-1) لغایت دبی با 3 روز تاخیر (Qt-3) بعنوان متغیرهای ورودی و از دبی (Qt) بعنوان متغیر خروجی جهت پیش‍بینی جریان رودخانه کورکورسر نوشهر استفاده می‌گردد. سری زمانی روزانه بوده که از 70 درصد داده‌ها برای فرایند آموزش (سال 1376 لغایت 1387) و 30 درصد برای آزمون استفاده می‌گردد (از 1387 لغایت 1381). مدل‌های استفاده در این تحقیق شامل سه مدل منفرد (مدل جنگل تصادفی- شبکه عصبی مصنوعی و ماشین بردار پشتیبان رگرسیون) و سه مدل ترکیبی هیبریدی شامل مدل درختی بگینگ- جنگل تصادفی (BA-RF)، شبکه عصبی- تفنگدار خلاق (ANN-AIG) و ماشین بردار پشتیبان رگرسیون – الگوریتم بهینه سازی جستجوی کلاغ (SVR-CSA) مورد استفاده قرار گرفت. نتایج تحقیق نشان می‌دهد که همه مدل‌های پیش بینی بسیار خوبی از خود نشان دادند. نتایج نهایی نشان می‌دهد که مدل ANN-AIG به میزان 94/32 درصد، مدل SVR-CSA منفرد 17/23 درصد و مدل BA-RF نیز 74/17 درصد خطای مدل منفرد را بهبود بخشیدند. همچنین در بین تمامی مدل‌های بکار رفته ANN-AIG دارای بهترین عملکرد در پیش بینی جریان رودخانه‌ی کورکورسر نوشهر بوده است.

کلیدواژه‌ها