شبیه‌سازی بارش- رواناب با استفاده از ماشین آموزش نوین در حوضه رودخانه شهرچای

در این مطالعه، داده های سری زمانی بارش و رواناب حوضه رودخانه شهرچای از سال 2000 تا 2017 با استفاده از یک مدل هوش مصنوعی نوین ترکیبی شبیه سازی شد. برای توسعه مدل هوش مصنوعی مذکور سه الگوریتم ماشین آموزش نیرومند (elm)، تکامل تفاضلی (de)و تبدیل موجک (wt) با هم ترکیب شدند و مدل های ترکیبی saelm و wsaelm ارائه شد. در ابتدا، موثرترین تاخیرهای داده های سری زمانی با استفاده از تابع خود همبستگی شناسایی شدند. سپس با استفاده از این تاخیرها، برای هر یک از مدل های saelm و wsaelm هفت مدل هوش مصنوعی تعریف گردید. علاوه بر این 70 درصد مقادیر مشاهداتی برای آموزش مدل های هوش مصنوعی و 30 درصد باقیمانده نیز برای ارزیابی آن ها استفاده شدند. برای مدل wsaelm 7 به عنوان مدل برتر، مقادیر r2، شاخص پراکندگی (si) و ضریب نش(nsc) برای شبیه سازی بارش به ترتیب مساوی با 0/967، 0/208 و 0/965 بدست آمدند. همچنین تحلیل حساسیت نشان داد که تاخیرهای (t1)، (t2) و (t12) به عنوان موثرترین تاخیرهای ورودی در نظر گرفته شدند. در انتها برای مدل های برتر یک تحلیل عدم قطعیت انجام شد.

Simulation of Rainfall- Runoff using Novel Learning Machine in Shaharchay River Basin

In this paper, the precipitation and runoff timeseries data of the Shaharchay River basin from 2000 to 2017 were simulated by using a novel hybrid artificial intelligence (AI) technique. In order to develop this AI model, the extreme learning machine (ELM), differential evolution (DE) and wavelet transform (WT) are combined and then the SAELM and WASAELM hybrid models are provided. Initially, the most effective lags of the timeseries data are distinguished using the autocorrelation function. After that, using these lags, seven artificial intelligence models are defined for each of the SAELM and the WSAELM models. Additionally, 70% of the observational data are employed for training the artificial intelligence models and the rest (30%) for testing them. For WSAELM7 as the best model, the values of R2, the scatter index (SI), and the NashSutcliff efficiency coefficient (NSC) for simulating precipitation are yielded 0.967, 0.208 and 0.965, respectively. Furthermore, a sensitivity analysis exhibits that the lags (t1), (t2) and (t12) are regarded as the most effective input lags. Ultimately, an uncertainty analysis is carried out for the superior models.