پیش بینی جریان ماهیانه رودخانه با استفاده از مدلهای داده مبنا

در سال‌های اخیر، تکنیک‌های مدل‌سازی داده‌ مبنا کاربردهای فراوانی در مطالعات هیدرولوژی و مهندسی منابع آب یافته‌اند. توسعه مدل‌های برآورد یا پیش‌بینی رواناب رودخانه، یکی از زمینه‌های مطالعاتی است که این تکنیک‌ها در آن کاربرد زیادی دارند. در مطالعه حاضر، چهار تکنیک مدل‌سازی داده ‌مبنا، شامل رگرسیون خطی چندگانه، K نزدیک‌ترین همسایه، شبکه‌های عصبی مصنوعی و سیستم‌های استنتاج عصبی - فازی تطبیقی به‌منظور تشکیل مدل‌های پیش‌بینی رواناب مورد استفاده قرار گرفته و نتایج حاصل بررسی شده است. همچنین تأثیر انتخاب چند سناریوی مختلف در انتخاب متغیرهای ورودی ارزیابی شده است. نتایج به دست آمده حاکی از آن است که استفاده از داده‌های جریان ماه‌های قبل در مجموعه داده‌های مورد استفاده جهت پیش‌بینی می‌تواند سبب بهبود دقت نتایج مدل‌ها شود. به‌علاوه، مقایسه عملکرد کلی تکنیک‌های مدل-سازی، بیانگر برتری نتایج حاصل از به‌کارگیری تکنیک KNN نسبت به سایر تکنیک‌ها می‌باشد. در میان مدل‌های برگزیده تکنیک‌های مختلف نیز، مدل برگزیده KNN برای حالت استفاده از داده‌های جریان با ضریب همبستگی خطی 0.84 بین داده‌های مشاهداتی جریان و پیش‌بینی‌های مدل و مقدار شاخص خطای RMSE برابر 2.64 بهترین عملکرد را به نمایش گذاشت.