ارزيابي قابليت رويكرد تركيبي موجك-تحليل مؤلفه ي اصلي-جنگل تصادفي در شبيه‌سازي جريان رودخانه

Capability Evaluation of Hybrid Wavelet-Principal Component Analysis-Random Forest Approach in Simulating the River Flow

شبيه‌سازي جريان جهت مديريت تخصيص آب در دوره‌هاي تر‌سالي و خشكسالي بسيار حائز اهميت است. با توجه به پژوهش‌هايي كه در طول چندين دهه در اين خصوص صورت گرفته، روش‌هاي هوش محاسباتي در تركيب با موجك، به عنوان روش‌هايي كارآمد شناخته شده‌اند. در اين مقاله، رويكرد تركيبي موجك (W)- تحليل مؤلفه اصلي (PCA)- جنگل تصادفي (RF)، جهت شبيه‌سازي جريان روزانه‌ي رودخانه‌ي پلرود، پيشنهاد شده است. در مدل پيشنهادي، ابتدا داده‌هاي هيدرومتري توسط تبديل موجك ‌پردازش شده و به همراه داده‌‌هاي هواشناسي به الگوريتم PCA اعمال شدند. سپس بردار‌هاي خروجي آن به شبكه‌ي جنگل تصادفي وارد گرديد. نتايج نشان داد كه الگوريتم PCA علي‌رغم كاهش بعد بردار‌هاي ورودي و ساده‌سازي آن، مي‌تواند دقت و سرعت عملكرد مدل را ارتقا بخشد. هم‌چنين، مدل را به‌گونه‌اي منسجم كند كه افزايش زمان شبيه‌سازي و عدم‌قطعيت‌ بردار‌هاي ورودي، بر قابليت مدل كمتر اثر بگذارد و روند نزولي آن، از شيب هموار‌تري بر‌خوردار باشد. علاوه‌ بر ‌اين، پيش‌پردازش داده به همراه PCA، توانسته در زمان شبيه‌سازي يك و سه روز، شاخص توافق را، به ترتيب، 5 و 8 درصد بهبود ببخشد و قابليت مدل در شبيه‌سازي درست‌تر جريان رودخانه را افزايش دهد. از طرفي، نتايج بهترين مدل تركيبي در زمان شبيه‌سازي يك روز داراي ضريب همبستگي0/911 و جذر متوسط مربعات خطاي 7/095 مترمكعب در ثانيه است كه اين مقادير در بهترين مدل تركيبي براي زمان شبيه‌سازي سه روز به 0/817و 8/681 مترمكعب در ثانيه مي‌­رسد، كه اين موضوع به خوبي قابليت بسيار مناسب مدل تركيبي پيشنهادي براي زمان­‌هاي شبيه‌سازي بلندمدت‌تر را نشان مي‌دهد.

Simulating the flow for managing the water allocation in drought and wet periods is of great importance. According to the researches conducted during several decades in this regard, computational intelligence methods combined with wavelets are known to be effective. In this paper, Wavelet-Principal Component Analysis-Random Forest (WPCARF) hybrid approach is proposed to model the daily flow of the Polroud river. In the proposed model, first, hydrometric data is preprocessed by wavelet transform and applied to the PCA along with meteorological data. Afterward, their output vectors were entered into the random forest network. The results have shown that the PCA algorithm can improve the performance accuracy and speed of the model, despite reducing the input vectors and simplifying them. Also, it can integrate a model with increased simulation time and input vectors uncertainty having a lower impact on model capability leading to a more uniform decreasing trend. Furthermore, preprocessing the data accompanied by PCA could enhance the agreement index by 5 and 8 percent during one and three days of the simulation and increase the model ability for a more accurate simulation of river flow. On the other hand, results for the best-proposed hybrid model during the one-day-ahead simulation time were R=0.911 and RMSE=7.095 m3/s, while these values were R=0.817 and RMSE=8.681 m3/s in the best hybrid model for three-day-ahead simulation time. This indicates the adequate capacity of the proposed hybrid model for long-term simulation times.