پیش بینی جریان آبراهه ای با استفاده از مدل های هیبریدی هوشمند در مقیاس ماهانه (مطالعه موردی: رودخانه زرین رود)

زمینه و هدف: انتخاب ورودی‌های مناسب برای مدل‌های هوشمند از اهمیت بسزایی برخوردار است زیرا باعث کاهش هزینه و صرفه‌جویی در وقت و افزایش دقت و کارایی مدل‌ها می‌شود. هدف از پژوهش حاضر،کاربرد آنتروپی شانون برای انتخاب ترکیب بهینه متغیرهای ورودی در شبیه سازی دبی ماهانه توسط پارامترهای هواشناسی می‌باشد.روش بررسی: در این مطالعه داده های هواشناسی و سری زمانی ماهانه دبی رودخانه زرین رود (ایستگاه صفاخانه) واقع در آذربایجان شرقی در دوره زمانی  1336تا1394 مورد استفاده قرارگرفت. پارامترهای هواشناسی و ماه از سال به‌عنوان ورودی در روش آنتروپی به منظور تعیین ترکیب موثر در نظر گرفته شد.یافته ها: نتایج آنتروپی شانون نشان داد که پارامترهای بارش ، ماه از سال و دما ، نتایج بهتری را برای مدل‌سازی ارایه می‌دهد. شبیه‌سازی با استفاده از مدل های هیبرید هوشمند الگوریتم هیبریدی ازدحام ذرات و الگوریتم هیبریدی شبیه سازی تبرید انجام گرفت.کارایی مدل‌ها با استفاده از معیار ضریب تبیین ،ریشه جذر میانگین خطا  وشاخص پراکندگی محاسبه گردید.بحث و نتیجه گیری: نتایج نشان داد از میان این مدل ها با ساختار ورودی‌های یکسان، مدل الگوریتم هیبریدی شبیه سازی تبرید بر پایه ماشین بردار پشتیبان عملکرد بهتری برای شبیه‌سازی دبی جریان در مقایسه با سایر مدل های هیبریدی هوشمند داشته است. همچنین نتایج تحقیق نشان داد که روش آنتروپی در انتخاب بهترین ترکیب ورودی در مدل‌های هوشمند از کارایی خوبی برخوردار است.

Prediction of Stream Flow Using Intelligent Hybrid Models in Monthly Scale (Case study: Zarrin roud River)

Background and Objective: Selecting appropriate inputs for intelligent models are important because it reduces the cost and saves time and increases accuracy and efficiency of its models. The aim of the present study is the use of Shannon entropy to select the optimum combination of input variables in the simulation of monthly flow by meteorological parameters.Method: In this study, meteorological data and monthly time series of discharge of Zarrinrood River (Safavankeh Station) in East Azarbaijan from 1336 to 2015 were used. The meteorological parameters and the month of the year were considered as inputs in the entropy method to determine the effective composition.Results: Shannon entropy results showed that the rainfall parameters, month of year and temperature provide better results for modeling. The simulations were performed using intelligent hybrid models of particle swarm hybrid algorithm and hybrid simulation hybrid algorithm.Discussion and Conclusion: The results showed that among these models with the same input structure, the hybrid algorithm simulation based on the support vector machine had better performance for simulating the flow rate compared to other intelligent hybrid models. The results also show that the entropy method is good for selecting the best input combination in smart models.