پیش بینی جریان رودخانه با استفاده از الگوریتم نزدیکترین همسایگی مبتنی بر شاخص پیچیدگی و روش جمعی احتمالاتی

پیش بینی دقیق جریان رودخانه در طراحی، بهره برداری و برنامه ریزی علمی منابع آب از اهمیت بسزایی برخوردار است. همین مساله موجب شده تا محققان تحقیقات زیادی در این خصوص انجام دهند. جدا از اینکه چه روشی جهت مدل سازی مورد استفاده قرار گیرد، عملکرد هر مدل، شدیداً تحت تاثیر داده-های تصادفی بوده و این مساله موجب عدم تطبیق مدل با پدیده واقعی می گردد. با توجه به این حقیقت که شناسایی روابط علت و معلولی میسر نیست و بنابراین، محقق هیچ گاه قادر به شناسایی کامل رفتار فیزیکی حاکم بر سیستم نیست، سوال اصلی این است که چگونه می توان تحت این محدودیت ها مدل-سازی را به طور مطلوب انجام داد؟ روش نزدیکترین همسایگی به عنوان یکی از روش های ناپارامتری رگرسیونی ناحیه ای است که از آن در شناسایی الگو و مدل سازی استفاده می شود. در این تحقیق از تئوری تعمیم یافته واپنیک- چروننکیس (vc) که بر مبنای مفهوم پیچیدگی مدل می باشد، جهت انتخاب پارامترهای مناسب الگوریتم های نزدیکترین همسایگی استفاده شد و به ازای مقادیر بهینه پارامترها به پیش بینی جریان رودخانه پرداخته شد. در سال های اخیر استفاده از روش های جمعی قطعی و احتمالاتی جهت پیش بینی میزان دبی جریان رودخانه توجه محققین زیادی را به خود جلب کرده است. پژوهش حاضر دو روش مختلف احتمالاتی را برای پیش بینی جریان رودخانه استفاده می کند. سپس میزان عدم قطعیت ناشی از پیش بینی به صورت کمی معین می شود. تخمین گرهای خطی در یکی از روش ها و در دیگری الگوریتم نزدیکترین همسایگی استفاده شد. همچنین استفاده از مدل های هوشمند به دلیل قابلیت بالا در فرآیند مدل سازی در دهه های اخیر همواره مورد توجه محققین بوده است. در این تحقیق عملکرد دو روش هوشمند شامل سیستم استنتاج فازی- عصبی تطبیقی و رگرسیون بردار پشتیان در مدل سازی دبی جریان رودخانه مورد بررسی قرار گرفت. جهت پیش بینی جریان رودخانه از مقادیر دبی با تاخیرهای مختلف استفاده شد. روش های ذکر شده در سه حوضه آبریز مختلف کشور شامل حوضه آبریز باراندوزچای در شمال غرب، حوضه آبریز رودخانه زرد در جنوب غربی و حوضه آبریز قره چای در بخش مرکزی ایران مورد ارزیابی قرار گرفتند. جهت ارزیابی عملکرد مدل ها از سه شاخص خطا شامل ضریب تعیین ضریب تعیین (r2)، ریشه میانگین مربعات خطا (rmse) و متوسط قدر مطلق خطا (mae) استفاده شد. نتایج عملکرد مدل های مختلف نشان داد که کلیه مدل ها از دقت قابل قبولی در پیش بینی دبی جریان در مقیاس های زمانی ماهانه و روانه برخوردار بودند. استفاده از روش مبنا پیچیدگی به منظور تعیین مقادیر بهینه شعاع همسایگی و تعداد تاخیرها موجب بهبود قابل توجهی در عملکرد مدل نزدیکترین همسایگی شد. روش های جمعی احتمالاتی نزدیکترین همسایگی و روش جمعی احتمالاتی غیرخطی نتایج قابل قبولی در پیش بینی دبی جریان داشتند. در این راستا عملکرد روش جمعی احتمالاتی نزدیکترین همسایگی بهتر از روش جمعی احتمالاتی غیرخطی بود. با افزایش مقدار دبی جریان، پهنای باند اطمینان افزایش یافت که نشان از افزایش عدم قطعیت پیش بینی مدل برای مقادیر حداکثر جریان بود. استفاده از ضریب فصلی موجب بهبود عملکرد مدل های هوشمند در پیش بینی مقادیر دبی جریان ماهانه شد. در این خصوص عملکرد مدل رگرسیون بردار پشتیبان بهتر از مدل فازی- عصبی بود. با افزایش طول دوره آماری در بخش آموزش مدل عملکرد مدل ها در پیش بینی مقادیر بخش آزمون بهبود یافت و در این راستا مدل مبنا پیچیدگی از حساسیت کمتری برخوردار بود. نتایج بدست آمده در این رساله، اطلاعات با ارزشی در اختیار برنامه ریزان و سیاستگذاران منابع آب و هیدرولوژی قرار می دهد.