تخمین حدود پیش‌بینی بارش و رواناب مبتنی بر شبکه عصبی مصنوعی

در این مقاله پیش‌بینی نقطه‌ای و فواصل پیش‌بینی مدل شبکه عصبی مصنوعی (ann) برای بارش و رواناب محاسبه شده است. سری زمانی 28 و 34 ساله از سال 1987 تا 2015 و 1981 تا 2015 به ترتیب برای حوضه رودخانه لیقوان‌چای و رودخانه غرب نیشنابوتنا (west nishnabotna river) برای مدل سازی در مقیاس روزانه و ماهانه استفاده شده است. ازآنجایی‌که پیش‌بینی نقطه‌ای ann هیچ اطلاعاتی درباره عدم قطعیت مدل سازی بیان نمی‌کند، فواصل پیش‌بینی برای ارزیابی عملکرد ann به کار گرفته شد. مدل سازی فواصل ساخته‌شده با روش تخمین حد بالا و پایین (lube) که در آن ann با دو خروجی که نشان‌دهنده‌ حد بالا و پایین هستند، برای تخمین حدود پیش‌بینی استفاده شد. همچنین روش کلاسیک بوت استرپ (bootstrap)، که روشی رایج برای ارزیابی عدم‌قطعیت پیش‌بینی است، مورداستفاده قرار گرفت. نهایتاً دقت فواصل پیش‌بینی به وسیله دو معیار همگرایی فواصل پیش‌بینی و عرض فواصل کمیت‌سنجی شد. در این مطالعه، ورودی‌های مدل سازی با معیار غیرخطی اطلاعات مشترک انتخاب شدند. مقایسه بین نتایج دو روش حاکی از آن است که روش lube  در مقایسه با روش بوت استرپ به نتایج قابل‌اطمینان‌تری منجر شد. احتمال همگرایی فواصل پیش‌بینی و عرض فواصل پیش‌بینی روش lube در مقایسه با روش بوت استرپ به ترتیب تا 20% بیشتر و 30% کم تر بود. در روش lube، مدل سازی در مقیاس روزانه در مقایسه با مقیاس ماهانه به ترتیب برای رواناب رودخانه لیقوان‌چای و رودخانه غرب نیشنابوتنا، احتمال همگرایی فواصل پیش‌بینی 17% و 13% بیشتر و عرض فواصل پیش‌بینی 18% و 12% کم تر بوده است.

Estimation of Prediction Intervals for ANN- Based Rainfall- Runoff Modeling

In this study, Lower Upper Bound Estimation (LUBE) method, which was firstly introduced by Khosravi et al. (2010) and is a novel PIs construction method in hydrologic issues, is applied to construct PIs for ANNbased rainfallrunoff modeling. This technique is independent of any knowledge about the bounds of PIs or data distribution. The ANNbased LUBE method includes two outputs showing upper and lower bounds of prediction in contrast to the classic ANNs, which consider one output as point prediction. In this way, dominant input data combination is selected by the mutual information (MI) to the model rainfallrunoff process in both monthly and daily scales for two different watersheds in Iran and USA. Finally, the obtained PIs by the proposed LUBE method are compared with those obtained by the classic Bootstrap method..