ارزيابي استراتژي‌هاي‌ ميانگين‌گيري وزني رتبه‌اي در تركيب مدل‌هاي پيش‌بيني كننده جريان مطالعه موردي: رودخانه كرخه

Assessment of Ordered Weighted Averaging Strategies in Combination of Streamflow Forecasting Models

پيش‍ بيني ماهانه جريان رودخانه در برنامه‌ريزي‌هاي بلندمدت منابع آب نقش كليدي ايفا مي‌كند. در مقاله حاضر براي افزايش دقت پيش‌بيني‌‌ جريان ماهانه رودخانه كرخه در محل ورودي به سد كرخه در فصل زمستان از تكنيك تركيب مدل‌ها استفاده شده است. بدين منظور، پنج مدل شبكه عصبي مصنوعي، شبكه عصبي رگرسيون تعميم يافته، رگرسيون بردار پشتيبان، K نزديك‌ترين همسايگي و رگرسيون خطي با ساختار بهينه به عنوان مدل‌هاي منفرد مورد استفاده قرار گرفتند. براي تركيب مدل‌هاي مذكور از دو استراتژي وزن‌دهي ثابت و متغير به مدل‌هاي منفرد بر اساس روش ميانگين‌گيري وزني رتبه‌بندي شده (OWA) استفاده شده است و در آنها، روش Orlike براي تعيين وزن‌ها بكار رفته است. نتايج نشان مي‌دهد كه استراتژي وزن‌دهي متغير داراي قابليت بيشتري براي ارتقاي نتايج پيش‌بيني نسبت به وزن‌دهي ثابت است. همچنين، مقايسه نتايج اين دو استراتژي با دو استراتژي تركيب مدل‌ها با شبكه عصبي مصنوعي و انتخاب بهترين مدل منفرد نشان مي‌دهد كه استراتژي وزن‌دهي متغير به‌طور قابل توجهي سبب ارتقاي دقت نتايج نسبت به هر دو استراتژي مذكور مي‌شود به نحوي كه اين استراتژي دقت نتايج را نسبت به شبكه عصبي 8/51، 1/38 و 5/44 درصد و نسبت به بهترين مدل منفرد 6/7، 132 و 9/52 درصد به ترتيب در دي، بهمن و اسفندماه بهبود داده است.

Monthly streamflow forecasting plays an important role in long-lead water resources planning and management. In the current paper, model fusion technique has been used in order to increase the accuracy of monthly streamflow forecast of Karkheh River at the entrance of Karkheh reservoir in winter. For this purpose, five models including: Artificial Neural Network (ANN), Generalized Regression Neural Network (GRNN), Support Vector Regression (SVR), K-Nearest Neighbor (KNN), and Linear Regression (LR) with optimized structure have been applied as individual forecasting models (IFMs). In order to combine the IFM models, two model fusion strategies including constant and variable weighting based on ordered weighted averaging (OWA) have been performed, where the Orlike method has been applied to determine the weights of IFMs. The results show that variables weighting strategy is more performable than constant weighting strategy in order to promote the accuracy of the forecast results. In addition, the comparison of the two strategies with two strategies including model fusion with artificial neural network and selecting the best IFM reveals that variable weighting strategy can significantly promote the accuracy of the forecast results than the latest strategies; such that this strategy increases the accuracy of the results 51.8, 38.1, and 44.5 percent as compared to ANN model fusion, and 7.6, 132, and 52.9 percent as compared to the best IFM for January, February, and March, respectively.