توسعه مدل های تلفیقی یادگیری ماشین مبتنی بر روش تجزیه مد تجربی گروهی کامل در برآورد جریان ورودی به سد (مطالعه موردی سد دز)

Abstract

برآورد جریان ورودی به مخزن سدها در برنامه‌ریزی و مدیریت بهینه منابع آب، تامین آب مورد نیاز بخش‌های مختلف و مدیریت سیلاب از اهمیت ویژه‌ای برخوردار است. بنابراین در پژوهش حاضر سعی گردید تا عملکرد مدل‌های یادگیری ماشین جنگل‌های تصادفی (RF) و رگرسیون فرآیند گاوسی (GPR) با استفاده از روش پیش‌پردازش داده‌های تجزیه مد تجربی گروهی کامل (CEEMD) در برآورد جریان ماهانه ورودی به سد دز در دوره آماری 51-1350 تا 97-1396 مورد بررسی قرار گیرد. بدین منظور الگوهای ورودی در چهار سناریوی مختف شامل استفاده از داده‌های جریان با تاخیرهای زمانی، ترکیب داده‌های جریان و بارش با تاخیر‌های زمانی و اضافه‌ کردن خاصیت تناوبی به دو حالت قبل آماده و به مدل‌های منفرد معرفی شدند. نتایج نشان داد که هر مدل با سناریوهای متفاوتی به حداکثر دقت خود دست می‌یابد و در این بین مدل GPR با شاخص RMSE برابر با (m3/s) 49/97 بهترین عملکرد را داشت. پس از تعیین الگوهای برتر ورودی در هر سناریو، داده‌های مربوطه توسط روش CEEMD تجزیه و فرآیند مدل‌سازی با روش‌های RF و GPR انجام شد. بر اساس معیار‌های ارزیابی، کاهش خطا و افزایش دقت در مدل‌های تلفیقی توسعه داده شده به طور قابل ملاحظه‌ای مشهود بود. به طوریکه مدل CEEMD-GPR تواتست مقدار شاخص RMSE را به طور متوسط حدود 47 مترمکعب بر ثانیه کاهش دهد. همین روند برای مدل CEEMD-RF نیز مشاهده شد. به طور کلی عملکرد CEEMD-GPR در مقایسه با کلیه مدل‌های توسعه داده شده (منفرد یا تلفیقی) مناسب‌تر بوده و برای پیش‌بینی جریان ورودی به سد دز توصیه می‌شود.