پیش بینی جریان ماهانه رودخانه با استفاده از ترکیب مدل های خطی سری زمانی و شبکه های بیزین (مطالعه موردی: رودخانه بختیاری)

یکی از مسائل مهم در مدیریت منابع آب، تهیه و توسعه مدل‌های مناسب به منظور پیش‌بینی دقیق‌تر فرآیند جریان رودخانه‌ها می‌باشد. بدین منظور در مطالعه حاضر برای پیش‌بینی جریان ماهانه رودخانه بختیاری، در دوره آماری 1395-1334، از مدل‌های سریزمانی خطی (arma)، مدل هوشمند شبکه بیزین (bn) و مدل تلفیقی bnarma استفاده شد. عملکرد مدل‌های توسعه یافته براساس شاخص‌های آماری جذر میانگین مربعات خطا (rmse)، ضریب همبستگی (cc) و آماره کلینگ گوپتا (kge) مورد ارزیابی قرار گرفتند. از بین مدل‌های سری زمانی برازش یافته به داده‌ها، مدل ar(3) با داشتن کمترین مقدار معیار اکایکه اصلاح شده برابر با 1089.3 به عنوان مدل مناسب سری ماهانه جریان انتخاب گردید. نتایج نشان داد که مدل ar(3) با خطای (m3/s ) 47.786 از عملکرد قابل قبولی برخوردار است. برای مدل‌سازی جریان ماهانه رودخانه با استفاده از مدل bn از حافظه‌های دبی یک ماه قبل، دو ماه قبل تا پنج ماه قبل استفاده شد. نتایج نشان داد که با توالی سه ماه جریان عملکرد مدل به بهینه ترین حالت ممکن رسیده و با افزایش تعداد ورودی‌ها عملکرد آن تضعیف می‌شود. ضریب همبستگی، جذر میانگین مربعات خطا و kge در بهترین حالت مدل bn در مرحله آزمون به ترتیب 0.826 و ( ) 45.303 و 0.789 می‌باشد. در مرحله بعد تلفیق مدل‌های bn و arma(3,0) انجام شد. نتایج حاصل نشان داد که مدل تلفیقی bnarma به طور قابل ملاحظه‌ای دقت مدل‌سازی را افزایش داده و خطای پیش‌بینی را از (m^3/s ) 45.303 به ( m^3/s) 15.021 کاهش داد.

Prediction of Monthly River Flow Using Hybridization of Linear Time Series Models and Bayesian network (Case Study: Bakhtiari River)

One of the most important issues in water resources management is the preparation and development of appropriate models in order to predict the streamflow more accurately. For this purpose, in the present study, linear time series models (ARMA), intelligent Bayesian network (BN) and BNARMA hybrid model have been developed for forecasting the monthly river flow of Bakhtiari River in 19552016. The performance of the developed models was evaluated based on statistical indices such as root mean square error (RMSE), correlation coefficient (CC) and KlingGupta index (KGE). Among the time series models fitted to the data, the AR (3) model was selected as the appropriate model for monthly stream flow series, with the lowest value of the modified Akaike information criterion equal to 1089.3. The results showed that the AR (3) model with an error of 47.786 (m3/s) has acceptable performance. The monthly river flow from the previous month, two months and five months ago was used to model the monthly river flow using the BN model. The results indicated that with three months intervals, the model performance is optimized and its performance is weakened by increasing the number of inputs. The correlation coefficient, root mean square error and KGE in the best case of BN model in the test stage are 0.826, 45.303 and 0.789 (m3/s), respectively. Next, the combination of BN and ARMA(3.0) models was performed. The results showed that the BNARMA hybrid model significantly increases the accuracy of the modeling and reduces the prediction error from 45.303 (m3/s) to 15.021 (m3/s).