کاربرد الگوریتم پیش‌پردازش‌کننده‌ تجزیه‌ مد تجربی گروهی برای بهبود دقت پیش‌بینی جریان روزانه‌ رودخانه با استفاده از روش‌های هوشمند مصنوعی

با توجه به اهمیت پیش‌بینی جریان رودخانه در مدیریت منابع آب، از روش‌های مختلفی برای مدل‌سازی‌کردن جریان رودخانه‌ها استفاده می‌شود تا با به‌کارگیری مدلی مطمئن در مدیریت خشکسالی و سیلاب، خسارت‌های ناشی از آنها به حداقل برسد. در این مطالعه نیز برای پیش‌بینی سری زمانی جریان روزانه‌ ایستگاه گچسر برای حوضه‌ آبریز بخش مرکزی ایران با توجه به ویژگی‌های غیرخطی مقیاس‌های زمانی چندگانه، مدل ترکیبی درخت تصمیم‌گیری (mt) برپایه‌ الگوریتم پیش‌پردازش‌کننده (eemd) در دوره‌ آماری 1363 تا 1391پیشنهاد شد. درادامه، برای تعیین بهترین تعداد تاخیر زمانی از دبی جریان رودخانه، تکنیک‌های acf و pacf به کار رفت که مقدار بهینه‌ سه تاخیر زمانی به‌عنوان متغیرهای ورودی در نظر گرفته شد. نتایج به‌دست‌آمده از روش ترکیبی پیشنهادی با دیگر روش‌های هوشمند مصنوعی مانند مدل درخت (mt) و سیستم استنتاج عصبی- فازی (anfis) با استفاده از شاخص‌های آماری خطا بررسی و مقایسه شد. نتایج نشان داد بر دقت روش eemd-mt نسبت به روش mt، حدود 7.5 درصد افزوده شد و خطای مدل‌سازی نیز برای این ایستگاه در ترم شاخص خطای rmse، 6.8 درصد در مرحله‌ آزمایش کاهش یافت؛ بنابراین، با پیش‌پردازش‌کردن داده‌های هواشناسی و برطرف‌کردن توزیع تصادفی، ناپایداری و روند غیرخطی داده‌های ورودی به مدل، دقت پیش‌بینی مدل‌های پیشنهادی در تخمین دبی روزانه‌ جریان رودخانه افزایش یافته و برای مطالعات آتی، روش مناسب و دقیقی است.