پیش بینی زمانی و مکانی دبی جریان با استفاده از روش های تلفیقی هوش مصنوعی و پیش پردازش و پس پردازش سری زمانی

پیش بینی دبی رودخانه ها یکی از موارد مهم در برنامه ریزی و مدیریت منابع آبی می باشد. در این تحقیق از روش های پیش پردازش و پس پردازش سری زمانی به همراه روش های مبتنی بر کرنل ماشین بردار پشتیبان (SVM)و رگرسیون فرآیند گاوسی (GPR) جهت تخمین دبی جریان یدو رودخانه طبیعی در ایالات متحده با دو ایستگاه هیدرومتری متوالی استفاده شده است. رودخانه اول شامل تقریبا 2 سال داده بوده و در رودخانه دوم از 4 سال داده روزانه دبی استفاده شده است. مدل های متفاوتی بر اساس مشخصات هیدرولیکی جریان تعریف گردید و کارایی روش های تلفیقی پیش پردازش و پس پردازش در دو حالت درون ایستگاهی و بین ایستگاهی بررسی شد. جهت پیش پردازش داده ها ابتدا از روش تبدیل موجک گسسته (DWT) استفاده شد. سپس زیر سری های با فرکانس بالا انتخاب شده و با روش تجزیه مد تجربی یکپارچه (EEMD) دوباره تجزیه گردیدند. در نهایت زیر سری های با انرژی بالا به عنوان ورودی مدل های مبتنی بر کرنل استفاده شدند. برای پس پردازش داده ها نیز از مدل میانگین عصبی غیرخطی (NNA) استفاده شد. نتایج حاصل از تحلیل مدل های تعریف شده، دقت بالای روش های تلفیقی به کار رفته در تحقیق را در تخمین دبی جریان به خوبی نشان داد. بطوریکه در هر دو ایستگاه ، درصد خطا با استفاده از روش های تلفیقی پیش پردازش و پس پردازش نسبت به روش های هوشمند مبتنی بر کرنل تقریبا به میزان 20 تا 25 درصد کاهش یافت. مشاهده شد که در حالت بررسی دبی رودخانه بر اساس داده های خود ایستگاه مقدار خطای RMSE مدل تقریبا از 3/0 به 26/0 و در حالت استفاده از داده های ایستگاه قبلی از مقدار 44/0 به 33/0 کاهش یافت. با توجه به قابلیت و دقت بالای روش های پیش پردازش استفاده شده در این تحقیق، مطالعات مشابه در دیگر رودخانه های کشور توصیه می گردد.