تخمین حدود پیش بینی بارش و رواناب مبتنی بر شبکه عصبی مصنوعی

در این مقاله پیش بینی نقطه ای و فواصل پیش بینی مدل شبکه عصبی مصنوعی (ANN) برای بارش و رواناب محاسبه شده است. سری زمانی 28 و 34 ساله از سال 1987 تا 2015 و 1981 تا 2015 به ترتیب برای حوضه رودخانه لیقوان چای و رودخانه غرب نیشنابوتنا (West Nishnabotna River) برای مدل سازی در مقیاس روزانه و ماهانه استفاده شده است. ازآنجایی که پیش بینی نقطه ای ANN هیچ اطلاعاتی درباره عدم قطعیت مدل سازی بیان نمی کند، فواصل پیش بینی برای ارزیابی عملکرد ANN به کار گرفته شد. مدل سازی فواصل ساخته شده با روش تخمین حد بالا و پایین (LUBE) که در آن ANN با دو خروجی که نشان دهنده حد بالا و پایین هستند، برای تخمین حدود پیش بینی استفاده شد. همچنین روش کلاسیک بوت استرپ (Bootstrap)، که روشی رایج برای ارزیابی عدم قطعیت پیش بینی است، مورداستفاده قرار گرفت. نهایتا دقت فواصل پیش بینی به وسیله دو معیار همگرایی فواصل پیش بینی و عرض فواصل کمیت سنجی شد. در این مطالعه، ورودی های مدل سازی با معیار غیرخطی اطلاعات مشترک انتخاب شدند. مقایسه بین نتایج دو روش حاکی از آن است که روش LUBE  در مقایسه با روش بوت استرپ به نتایج قابل اطمینان تری منجر شد. احتمال همگرایی فواصل پیش بینی و عرض فواصل پیش بینی روش LUBE در مقایسه با روش بوت استرپ به ترتیب تا 20% بیشتر و 30% کم تر بود. در روش LUBE، مدل سازی در مقیاس روزانه در مقایسه با مقیاس ماهانه به ترتیب برای رواناب رودخانه لیقوان چای و رودخانه غرب نیشنابوتنا، احتمال همگرایی فواصل پیش بینی 17% و 13% بیشتر و عرض فواصل پیش بینی 18% و 12% کم تر بوده است.