کاربرد الگوریتم پیش پردازش کننده تجزیه مد تجربی گروهی در جهت بهبود دقت پیش-بینی جریان روزانه رودخانه با استفاده از روش های هوشمند مصنوعی

با توجه به اهمیت پیش بینی جریان رودخانه در مدیریت منابع آب روش های مختلفی برای مدل کردن جریان رودخانه ها بکاربرده می شوند تا بتوان با بکارگیری یک مدل مطمین در مدیریت خشکسالی و سیلاب خسارات ناشی از آنها را به حداقل ممکن رساند. در این مطالعه نیز برای پیش بینی سری زمانی جریان روزانه ایستگاه گچسر برای حوضه آبریز بخش مرکزی ایران ، با توجه به ویژگی های غیرخطی مقیاس های زمانی چندگانه، مدل ترکیبی درخت تصمیم گیری (MT) بر پایه الگوریتم پیش پردازش کننده (EEMD) در دوره آماری 1363 تا 1391پیشنهاد شده است. در ادامه تحقیق، برای تعیین بهترین تعداد تاخیر زمانی از دبی جریان رودخانه، از تکنیک های ACF و PACF استفاده شد که مقدار بهینه سه تاخیر زمانی به عنوان پارامترهای ورودی در نظر گرفته شد. نتایج بدست آمده از روش ترکیبی پیشنهادی با دیگر روش های هوشمند مصنوعی نظیر مدل درخت (MT) و سیستم استنتاج عصبی-فازی (ANFIS) با استفاده از شاخص های آماری خطا مورد بررسی و مقایسه قرار گرفت. نتایج نشان داد که دقت روش EEMD-MT نسبت به روش MT حدود 5.7% افزایش یافت و خطای مدل سازی نیز برای این ایستگاه در ترم شاخص خطای RMSE 6.8 % در مرحله تست کاهش یافته است. لذا با پیش پردازش کردن داده های هواشناسی و برطرف کردن توزیع رندوم، ناپایداری و روند غیرخطی داده های ورودی به مدل، دقت پیش بینی مدل های پیشنهادی در تخمین دبی روزانه جریان رودخانه افزایش یافته است و برای مطالعات آتی می تواند روشی مناسب و دقیق در نظر گرفته شود