تخمين حدود پيش‌بيني بارش و رواناب مبتني بر شبكه عصبي مصنوعي

در اين مقاله پيش‌بيني نقطه‌اي و فواصل پيش‌بيني مدل شبكه عصبي مصنوعي (ANN) براي بارش و رواناب محاسبه شده است. سري زماني 28 و 34 ساله از سال 1987 تا 2015 و 1981 تا 2015 به ترتيب براي حوضه رودخانه ليقوان‌چاي و رودخانه غرب نيشنابوتنا (West Nishnabotna River) براي مدل سازي در مقياس روزانه و ماهانه استفاده شده است. ازآنجايي‌كه پيش‌بيني نقطه‌اي ANN هيچ اطلاعاتي درباره عدم قطعيت مدل سازي بيان نمي‌كند، فواصل پيش‌بيني براي ارزيابي عملكرد ANN به كار گرفته شد. مدل سازي فواصل ساخته‌شده با روش تخمين حد بالا و پايين (LUBE) كه در آن ANN با دو خروجي كه نشان‌دهنده‌ حد بالا و پايين هستند، براي تخمين حدود پيش‌بيني استفاده شد. همچنين روش كلاسيك بوت استرپ (Bootstrap)، كه روشي رايج براي ارزيابي عدم‌قطعيت پيش‌بيني است، مورداستفاده قرار گرفت. نهايتاً دقت فواصل پيش‌بيني به وسيله دو معيار همگرايي فواصل پيش‌بيني و عرض فواصل كميت‌سنجي شد. در اين مطالعه، ورودي‌هاي مدل سازي با معيار غيرخطي اطلاعات مشترك انتخاب شدند. مقايسه بين نتايج دو روش حاكي از آن است كه روش LUBE  در مقايسه با روش بوت استرپ به نتايج قابل‌اطمينان‌تري منجر شد. احتمال همگرايي فواصل پيش‌بيني و عرض فواصل پيش‌بيني روش LUBE در مقايسه با روش بوت استرپ به ترتيب تا 20% بيشتر و 30% كم تر بود. در روش LUBE، مدل سازي در مقياس روزانه در مقايسه با مقياس ماهانه به ترتيب براي رواناب رودخانه ليقوان‌چاي و رودخانه غرب نيشنابوتنا، احتمال همگرايي فواصل پيش‌بيني 17% و 13% بيشتر و عرض فواصل پيش‌بيني 18% و 12% كم تر بوده است.