پیش‌بینی جریان روزانه رودخانه اهرچای با استفاده از مدل قوانین M5 و مقایسه آن با شبکه‌های عصبی مصنوعی المانی (ENN)

برآورد صحیح آبدهی رودخانه‌ها یکی از موارد مهم در پیش‌بینی خشکسالی، سیلاب، طراحی سازه­‌های آبی، بهره‌برداری از مخازن سدها و کنترل رسوب می‌باشد. از این‌رو متخصصان علوم مهندسی آب جهت برآورد دقیق جریان، از روش‌های هوشمند مانند شبکه‌های عصبی مصنوعی و روش‌های مختلف داده‌کاوی بهره گرفته‌اند. در این مطالعه، جهت پیش­بینی جریان روزانه رودخانه اهرچای، از روش­های شبکه عصبی مصنوعی المانی (ENN) و قوانین درختی M5 بهره گرفته شد. بدین منظور از داده­های جریان روزانه ایستگاه هیدرومتری اورنگ واقع بر رودخانه اهرچای در استان آذربایجان­شرقی برای مدل‌سازی استفاده شد. نتایج حاصل از پیش‌بینی جریان در یک روز بعد نشان داد که گرچه روش ENN در بهترین سناریو با ساختار شبکه نسبتا پیچیده 1-3-9 که بیان‌گر 9 گره در لایه ورودی، 3 گره در لایه پنهان و یک گره در لایه خروجی با 90/0R2=، (m3/s)028/0RMSE= و (m3/s)001/0MAE= از دقت بیش‌تری برخوردار است. اما روش قوانین M5 تنها با دو پارامتر جریان در روز جاری و یک روز قبل به عنوان ورودی، با 83/0 R2=، (m3/s)734/0RMSE= و (m3/s)317/0 MAE= علاوه بر سادگی، از دقت قابل قبولی نیز برخوردار بوده است. مقایسه عملکرد دو مدل نشان داد، گرچه شبکه عصبی المانی دارای دقت بالاتری نسبت به روش M5 می باشد، ولی روش M5 با توجه به ارائه قوانین کارآمد و ساده اگر-آنگاه و روابط خطی ساده برای پیش­بینی جریان و نیز تعداد پارامتر ورودی موردنیاز کم‌تر، می‌تواند بعنوان یک روش جایگزین مناسب بکار گرفته شود.