ارزیابی مدل تلفیقی تجزیه ی مد تجربی یکپارچه کامل- گاوسی در پیش بینی زمانی و مکانی دبی رودخانه

پیش بینی صحیح دبی روزانه ی رودخانه، ابزاری مناسب جهت برنامه ریزی و مدیریت منابع آب سطحی می باشد. از این رو در این مقاله با بهره گیری از مدل های رگرسیون فرآیند گاوسی (GPR)، ماشین یادگیری قدرتمند (ELM) و روش ترکیبی تجزیه ی مد تجربی یکپارچه ی کامل، دبی بین ایستگاهی رودخانه ی آرکانزاس واقع در ایالت متحده آمریکا مورد بررسی قرار گرفت. بدین منظور ابتدا دبی روزانه و ماهانه با استفاده از روش رگرسیون فرآیند گاوسی و ماشین یادگیری قدرتمند پیش بینی شد. سپس سری زمانی اصلی توسط روش تجزیه ی مد تجربی یکپارچه ی کامل به زیرسری های توابع مد ذاتی (IMFs) و باقیمانده (Residual) تجزیه گردید؛ در ادامه این زیرسری های تجزیه شده، ورودی مدل های گاوسی و ماشین یادگیری قدرتمند را تشکیل دادند تا مدل های ترکیبی طراحی گردند. برای ارزیابی کارآیی مدل ها از معیارهای همبستگی خطی (DC)، ریشه میانگین مربعات خطا (RMSE)، ضریب همبستگی (R) و میانگین درصد خطای مطلق (MAPE) استفاده شد. نتایج نشان داد که استفاده از روش CEEMD باعث بهبود عملکرد مدل های مورد استفاده شده است. به طوری که مقادیر خطای مطلق (MAPE) مربوط به مدل GPR با پیش پردازش CEEMD در پیش بینی جریان ایستگاه های اول، دوم و سوم نسبت به مدل GPR بدون پیش پردازش به ترتیب 34، 27 و 32 درصد کاهش داشته است. همچنین تاثیر هر یک از زیرسری های تجزیه ی مد تجربی یکپارچه کامل در پیش بینی دبی مورد ارزیابی قرار گرفت. مشاهده گردید که زیرسری باقیمانده ناکارآمدترین زیرسری است. مدل ترکیبی CEEMD- ELM در مدیریت حوضه های آبخیز و کنترل سیل کشور ایران می تواند استفاده شود.