بررسی عدم قطعیت مدل های هوشمند در برآورد جریان رودخانه (مطالعه موردی: رودخانه کارون)

پیش بینی دقیق فرآیندهای هیدرولوژیکی و احتساب عدم قطعیت های آنها، از جمله چالش های اساسی در حوضه مدیریت منابع اب است. هدف مقاله حاضر، پیش بینی جریان ماهانه رودخانه کارون در محل ایستگاه هیدرومتری ارمند با استفاده از روش های هوش مصنوعی (AI) می باشد. بکارگیری رویکرد شبیه سازی مونت کارلو (MCS) جهت احتساب عدم قطعیت پیش بینی های نامبرده و نیز مقایسه عملکرد آنها از اهداف دیگر مقاله محسوب می شود. بدین منظور از مدل های مبتنی بر AI شامل برنامه نویسی بیان ژن(GEP) ، اسپیلاین رگرسیون تطبیقی چند متغیره (MARS) و درخت مدل (MT) استفاده شده است. همچنین آمار 28 ساله جریان رودخانه کارون (سالهای 1387-1360) استفاده و برای تولید اعداد تصادفی، روش پارامتریک توماس-فیرینگ (TF) بکار گرفته شد. نتایج ارزیابی عملکرد مدلها با شاخص هایی همچون ضریب همبستگی (R)، میانگین قدر مطلق خطا (MAE) و ریشه میانگین مربعات خطا (RMSE)، نشان داد که مدل MT در هر دو مرحله آموزش و آزمون عملکرد بهتری نسبت به سایرین داشته است. شاخص های دقت مدل برای مرحله آموزش مدل MT برابر R=0.841 و RMSE=36.789 m^3/s بوده است در حالیکه این شاخص ها برای مرحله آزمون برابر با R=0.87 و RMSE=44.253 m^3/s می باشد. نتایج ارزیابی عدم قطعیت پیش بینی ها توسط مدلهای MARS، GEP و MT نشان داد که مدل MT با داشتن شاخص R-factor=1.67 و 95PPU=55.5% بهترین عملکرد را برای احتساب عدم قطعیت داشته است.