بهبودعملکرد نرم افزارهای هوش مصنوعی در شبیه سازی بارش- رواناب با استفاده از روش حذف - تزریق نوفه

مدل سازی دقیق فرآیندهای هیدرولوژیکی از قبیل بارش– رواناب می‌تواند اطلاعات مهمی از یک حوضه آبریز برای مدیریت منابع آب فراهم کند. اخیراً در این راستا، مدل‌های مختلف جعبه سیاه برای شبیه سازی چنین پدیده پیچیده‌ای به کاررفته اند. مدل‌های داده محور وابستگی زیادی به کمیت وکیفیت داده‌ها دارند و داده‌های دارای نوفه کارایی مدل‌ها را تحت تاثیر قرار داده ورفع نوفه از داده‌ها با استفاده از یک روش مناسب می‌تواند منجر به کارایی بهترمدل‌های داده محور شود. لذا دراین مقاله ابتدا با استفاده ازروش رفع نوفه موجکی اقدام به رفع نوفه بد ازسری‌های زمانی روزانه کرده و سپس با افزودن نوفه خوب به این داده‌های رفع نوفه شده و تشکیل مجموعه‌های آموزشی مختلف، شبیه سازی بارش – رواناب برای ایستگاه پل آنیان واقع درحوضه آبریز زرینه رود در بالا دست سد بوکان، با استفاده از مدل‌های جعبه سیاه ANNو ANFIS انجام شده است. همچنین برای بررسی دقت مدل پیشنهادی، نتایج این مدل سازی‌ها با مدل های کلاسیک جعبه سیاه ARIMA و MLR مورد مقایسه قرار گرفته است. نتاج نشان می‌دهند که اعمال هم زمان رفع نوفه موجکی و افزودن نوفه خوب در مدل سازی با ANN بهبود 23 درصدی و در مدل سازی با ANFIS باعث بهبود 14درصدی، در مرحله آزمایش مدل‌ها شده است.