مدل سازي جريان رودخانه باراندوزچاي با استفاده از روش نزديكترين K- همسايه و روش هاي هوشمند

Baranduz-Chay River Flow Modeling Using the K-Nearest Neighbor and Intelligent Methods

پيش بيني دقيق جريان رودخانه در طراحي، بهره برداري و برنامه ريزي منابع آب از اهميت بسزايي برخوردار است. در اين مطالعه، عملكرد روش هاي ناپارامتري نزديكترين همسايه، فازي- عصبي تطبيقي و روش رگرسيون بردار پشتيبان در پيش بيني جريان رودخانه ارزيابي شده است. براي مدل سازي از داده هاي جريان 36 ساله ايستگاه هيدرومتري ديزج واقع بر رودخانه باراندوزچاي (در مقياس زماني ماهانه) استفاده گرديد. تركيبات مختلفي از داده هاي ثبت شده به عنوان الگوي ورودي جهت پيش بيني دبي جريان استفاده شد. نتايج به دست آمده حاكي از عملكرد قابل قبول روش هاي مورد استفاده در پيش بيني مقدار جريان ماهانه بودند. با اضافه نمودن ضريب فصلي جريان به الگوي ورودي مدل، عملكرد مدل هاي هوشمند در پيش بيني به صورت قابل ملاحظه اي افزايش يافت. به طور كلي، مدل رگرسيون بردار پشتيبان با بكارگيري مناسب ترين الگوي ورودي به عنوان بهترين روش انتخاب شد. مقادير سه شاخص ارزيابي شامل ضريب همبستگي، ريشه ميانگين مربعات خطا و متوسط قدر مطلق خطاي نسبي به ترتيب برابر 88/0، 63/3 مترمكعب بر ثانيه و 45/78 بود. همچنين ارزيابي عملكرد مدل ها در پيش بيني مقادير دبي جريان نشان داد كه در موارد با جريان زياد، همه مدل هاي مورد استفاده، دبي جريان را كمتر از مقدار مشاهداتي تخمين مي زنند.

River flow accurate forecasting is so important in design, operation and planning of water resources systems. In this study, the performances of the non-parametric nearest neighbor method, adaptive neuro- fuzzy (ANFIS) and support vector regression (SVR) approaches were evaluated for streamflow forecasting. In order to derive the model, monthly streamflow observations of 36 years time period at Dizaj hydrometric station located in the Baranduz-Chay River (in monthly time scale) were used. Different combinations of the recorded data were used as the input pattern of streamflow forecasting. The results indicated that all of the applied models had reasonable performances in prediction of the monthly river flow. By adding the seasonality coefficient of streamflow to input pattern, performances of the intelligent models increased considerably. In general, the SVR model using the suitable input pattern was selected as the best method. The values of the three different evaluation criteria, namely correlation coefficient (R), root mean square error (RMSE), mean absolute relative error (MARE) were equal to 0.88, 3.63 (m3/s) and 78.45, respectively. Furthermore, evaluation of the performances of the models for streamflow forecasting revealed that in the cases of high discharges all of the models underestimated the streamflow comparing with the observed values.