پيش‌بيني جريان ماهانه رودخانه با استفاده از رويكردهاي آنتروپي شانون و موجك (مطالعه موردي: رودخانه مارون)

جريان رودخانه از مهمترين اجزاء چرخه هيدرولوژي است كه به عوامل اقليمي متعددي وابسته بوده و برآورد دقيق آن در زمينههاي مختلف مديريت منابع آب كاربرد دارد. در مطالعه حاضر از مدل‌هاي جنگل‌هاي تصادفي (RF) و ماشين بردار پشتيبان (SVM) براي پيش‌بيني جريان ماهانه رودخانه مارون در دوره آماري 1360 تا 1396 استفاده گرديد. يكي از مراحل مهم در كاربرد مدل‌هاي هوش مصنوعي تعريف الگوهاي ورودي و شناسايي پارامترهاي موثر در فرآيند مدل‌سازي است. براي انتخاب بهينه‌ترين ورودي‌ها از بين بارش، تبخير و دماهاي كمينه، بيشينه و متوسط روش آنتروپي شانون استفاده شد. نتايج نشان داد كه وزن بارش و تبخير در مجموع بيش از 85 درصد بود. در گام بعد، سه ساختار متفاوت براي ورودي مدل‌ها توسعه داده شد. در حالت اول الگوهاي اقليم‌پايه تعريف شدند كه از داده‌هاي هواشناسي به عنوان ورودي استفاده مي‌كردند. در حالت دوم خاصيت تناوبي غيرخطي به الگوهاي اقليم‌پايه افزوده شد و در حالت سوم داده‌هاي ورودي اقليم‌پايه با استفاده از پنج تابع موجك مادر تجزيه شده و مدل‌هاي هيبريدي WRF و WSVM ايجاد شدند. عملكرد مدل‌هاي منفرد RF و SVM نشان داد كه با افزودن ترم پريوديك، دقت در مقايسه با ورودي‌هاي اقليم پايه تا حدودي افزايش مي‌يابد، اما تجزيه داده‌ها با تئوري موجك به طور قابل ملاحظه‌اي خطاي مدل‌سازي را كاهش داد. در اين بين عملكرد دو مدل WRF و WSVM بسيار نزديك به يكديگر بود، اما با توجه به نمودار ويلوني، مدل WSVM به عنوان مناسب‌ترين گزينه براي پيش‌بيني جريان ماهانه رودخانه مارون پيشنهاد مي‌گردد.