توسعه مدل هاي تلفيقي يادگيري ماشين مبتني بر روش تجزيه مد تجربي گروهي كامل در برآورد جريان ورودي به سد (مطالعه موردي سد دز)

برآورد جريان ورودي به مخزن سدها در برنامه‌ريزي و مديريت بهينه منابع آب، تامين آب مورد نياز بخش‌هاي مختلف و مديريت سيلاب از اهميت ويژه‌اي برخوردار است. بنابراين در پژوهش حاضر سعي گرديد تا عملكرد مدل‌هاي يادگيري ماشين جنگل‌هاي تصادفي (RF) و رگرسيون فرآيند گاوسي (GPR) با استفاده از روش پيش‌پردازش داده‌هاي تجزيه مد تجربي گروهي كامل (CEEMD) در برآورد جريان ماهانه ورودي به سد دز در دوره آماري 51 1350 تا 97 1396 مورد بررسي قرار گيرد. بدين منظور الگوهاي ورودي در چهار سناريوي مختف شامل استفاده از داده‌هاي جريان با تاخيرهاي زماني، تركيب داده‌هاي جريان و بارش با تاخير‌هاي زماني و اضافه‌ كردن خاصيت تناوبي به دو حالت قبل آماده و به مدل‌هاي منفرد معرفي شدند. نتايج نشان داد كه هر مدل با سناريوهاي متفاوتي به حداكثر دقت خود دست مي‌يابد و در اين بين مدل GPR با شاخص RMSE برابر با (m3/s) 49/97 بهترين عملكرد را داشت. پس از تعيين الگوهاي برتر ورودي در هر سناريو، داده‌هاي مربوطه توسط روش CEEMD تجزيه و فرآيند مدل‌سازي با روش‌هاي RF و GPR انجام شد. بر اساس معيار‌هاي ارزيابي، كاهش خطا و افزايش دقت در مدل‌هاي تلفيقي توسعه داده شده به طور قابل ملاحظه‌اي مشهود بود. به طوريكه مدل CEEMD GPR تواتست مقدار شاخص RMSE را به طور متوسط حدود 47 مترمكعب بر ثانيه كاهش دهد. همين روند براي مدل CEEMD RF نيز مشاهده شد. به طور كلي عملكرد CEEMD GPR در مقايسه با كليه مدل‌هاي توسعه داده شده (منفرد يا تلفيقي) مناسب‌تر بوده و براي پيش‌بيني جريان ورودي به سد دز توصيه مي‌شود.