کاربرد داده‌های تیکه ‌نگاری ‌صوتی در پیش‌بینی کوتاه ‌مدت نرخ جریان رودخانه‌ها با استفاده از مدل ترکیبی الگوریتم دسته‌بندی گروهی داده‌ها

پیش‌بینی کوتاه مدت نرخ جریان رودخانه‌ها اهمیت فراوانی در مدیریت منابع آب و کنترل سیلاب دارد. یکی از مشکلاتی که محققین در این نوع از پیش‌بینی‌ها همواره با آن مواجه هستند؛ نبود یک بانک داده‌ای دقیق و با تفکیک‌پذیری زمانی بالا می‌باشد. فناوری تیکه‌ نگاری ‌صوتی یکی از روش‌های داده‌ برداری نوین است که علاوه بر دقت بالای داده‌های برداشت ‌شده دارای تفکیک‌پذیری زمانی بالایی نیز است؛ بنابراین با کاربرد داده‌های برداشت ‌شده با استفاده از این فناوری به همراه یک مدل پیش‌بینی مناسب می‌توان به یک پیش‌بینی کوتاه‌ مدت دقیق از نرخ جریان رودخانه‌ها دست ‌یافت. در این تحقیق تاثیر کاربرد داده‌های برداشت ‌شده توسط فناوری تیکه‌ نگاری ‌صوتی در پیش‌بینی کوتاه‌ مدت نرخ جریان توسط مدل ترکیبی الگوریتم دسته‌بندی گروهی داده ها، بررسی‌شده و با داده‌های به‌ دست ‌آمده از روش دبی-اشل مقایسه شده است. به‌ منظور جلوگیری از بیش ‌برازش شدن مدل پیش بینی از معیار اعتبارسنجی کا-فولد استفاده‌ شده است. نتایج این تحقیق نشان داد که کاربرد داده‌های تیکه‌ نگاری ‌صوتی باعث افزایش دقت پیش‌بینی‌ کوتاه‌ مدت می‌شود؛ به ‌طوری‌ که ضریب نَش- ساتکلیف برای پیش­بینی 1، 6، 12، 24، 48 و 72 ساعته دبی بر روی‌داده‌های برداشت ‌شده با روش تیکه ­نگاری صوتی به ترتیب (0/98، 0/96، 0/94، 0/88، 0/73 و 0/54) به دست آمد. در حالی‌‌ که این مقادیر برای داده های برداشت ‌شده با روش دبی­- اشل به ترتیب (0/97، 0/84، 0/61، 0/27، 0/12 و 0/11) محاسبه شد. از دلایل بالا بودن دقت پیش‌بینی انجام‌ شده بر روی‌ داده‌های تیکه‌ نگاری ‌صوتی نسبت به داده‌های دبی- اشل می‌توان به تفکیک‌پذیری زمانی بالا و دقت بیشتر داده‌های برداشت ‌شده توسط تیکه‌ نگاری ‌صوتی نسبت به دبی- اشل اشاره کرد.

application of acoustic tomographic data in short-term forecasting of streamflow using combinatorial gmdh algorithm (cga)

short-term forecasting of streamflow is one of the most important goals in water resources management and flood control. however, one of the problems that researchers always face in this type of prediction is the lack of an accurate and high-resolution database. the fluvial acoustic tomography (fat) is an innovative technology that acquires streamflow data. therefore, by using the data collected from this technology with a suitable forecast model, accurate short-term streamflow forecasting can be achieved. in this research, the effect of fat data on short-term streamflow forecasting by the combinatorial gmdh algorithm (cga) has been investigated and compared with one obtained from the rating curve method. the k-fold cross-validation criterion has been used to prevent over-fitting. the results showed that the fat data increases the accuracy of short-term forecasting. as an example, the nash-sutcliffe coefficient (ens) for the 1, 6, 12, 24, 48, and 72 hours forecast horizons were 0.98, 0.96, 0.94, 0.88, 0.73, and 0.54, respectively. while these values for the rating curve ones were 0.97, 0.84, 0.61, 0.27, 0.12, and 0.11, respectively.