ارزیابی مدل‌ تلفیقی تجزیه‌ی مد تجربی یکپارچه کامل- گاوسی در پیش‌بینی زمانی و مکانی دبی رودخانه

پیش‌بینی صحیح دبی روزانه‌ی‌ رودخانه، ابزاری مناسب جهت برنامه‌ریزی و مدیریت منابع آب سطحی می‌باشد. از این‌رو در این مقاله با بهره‌گیری از مدل‌های رگرسیون فرآیند گاوسی (gpr)، ماشین یادگیری قدرتمند (elm) و روش ترکیبی تجزیه‌ی مد تجربی یکپارچه‌‌ی کامل، دبی بین ایستگاهی رودخانه‌ی آرکانزاس واقع در ایالت متحده آمریکا مورد بررسی قرار گرفت. بدین‌منظور ابتدا دبی روزانه و ماهانه با استفاده از روش رگرسیون فرآیند گاوسی و ماشین یادگیری قدرتمند پیش‌بینی شد. سپس سری زمانی اصلی توسط روش تجزیه‌ی مد تجربی یکپارچه‌ی کامل‌ به زیرسری‌های توابع مد ذاتی (imfs) و باقیمانده (residual) تجزیه گردید؛ در ادامه این زیرسری‌های تجزیه‌شده، ورودی مدل‌های گاوسی و ماشین یادگیری قدرتمند را تشکیل دادند تا مدل‌های ترکیبی طراحی گردند. برای ارزیابی کارآیی مدل‌ها از معیارهای همبستگی خطی (dc)، ریشه میانگین مربعات خطا (rmse)، ضریب همبستگی (r) و میانگین درصد خطای مطلق (mape) استفاده شد. نتایج نشان داد که استفاده از روش ceemd باعث بهبود عملکرد مدل‌های مورد استفاده شده است. به‌طوری‌که مقادیر خطای مطلق (mape) مربوط به مدل gpr با پیش‌پردازش ceemd در پیش‌بینی جریان ایستگاه‌های اول، دوم و سوم نسبت به مدل gpr بدون پیش‌پردازش به ترتیب 34، 27 و 32 درصد کاهش داشته است. همچنین تاثیر هر یک از زیرسری‌های تجزیه‌ی مد تجربی یکپارچه کامل در پیش‌بینی دبی مورد ارزیابی قرار گرفت. مشاهده گردید که زیرسری باقیمانده ناکارآمدترین زیرسری است. مدل ترکیبی ceemd- elm در مدیریت حوضه‌های آبخیز و کنترل سیل کشور ایران می‌تواند استفاده شود.