ارزيابي مدل‌ تلفيقي تجزيه‌ي مد تجربي يكپارچه كامل- گاوسي در پيش‌بيني زماني و مكاني دبي رودخانه

پيش‌بيني صحيح دبي روزانه‌ي‌ رودخانه، ابزاري مناسب جهت برنامه‌ريزي و مديريت منابع آب سطحي مي‌باشد. از اين‌رو در اين مقاله با بهره‌گيري از مدل‌هاي رگرسيون فرآيند گاوسي (GPR)، ماشين يادگيري قدرتمند (ELM) و روش تركيبي تجزيه‌ي مد تجربي يكپارچه‌‌ي كامل، دبي بين ايستگاهي رودخانه‌ي آركانزاس واقع در ايالت متحده آمريكا مورد بررسي قرار گرفت. بدين‌منظور ابتدا دبي روزانه و ماهانه با استفاده از روش رگرسيون فرآيند گاوسي و ماشين يادگيري قدرتمند پيش‌بيني شد. سپس سري زماني اصلي توسط روش تجزيه‌ي مد تجربي يكپارچه‌ي كامل‌ به زيرسري‌هاي توابع مد ذاتي (IMFs) و باقيمانده (Residual) تجزيه گرديد؛ در ادامه اين زيرسري‌هاي تجزيه‌شده، ورودي مدل‌هاي گاوسي و ماشين يادگيري قدرتمند را تشكيل دادند تا مدل‌هاي تركيبي طراحي گردند. براي ارزيابي كارآيي مدل‌ها از معيارهاي همبستگي خطي (DC)، ريشه ميانگين مربعات خطا (RMSE)، ضريب همبستگي (R) و ميانگين درصد خطاي مطلق (MAPE) استفاده شد. نتايج نشان داد كه استفاده از روش CEEMD باعث بهبود عملكرد مدل‌هاي مورد استفاده شده است. به‌طوري‌كه مقادير خطاي مطلق (MAPE) مربوط به مدل GPR با پيش‌پردازش CEEMD در پيش‌بيني جريان ايستگاه‌هاي اول، دوم و سوم نسبت به مدل GPR بدون پيش‌پردازش به ترتيب 34، 27 و 32 درصد كاهش داشته است. همچنين تأثير هر يك از زيرسري‌هاي تجزيه‌ي مد تجربي يكپارچه كامل در پيش‌بيني دبي مورد ارزيابي قرار گرفت. مشاهده گرديد كه زيرسري باقيمانده ناكارآمدترين زيرسري است. مدل تركيبي CEEMD- ELM در مديريت حوضه‌هاي آبخيز و كنترل سيل كشور ايران مي‌تواند استفاده شود.