بررسی کارآیی روش‌های نزدیک‌ترین همسایه و مبتنی بر خوشه‌بندی فازی در ترکیب خروجی مدل‌های آب‌سنجی

داده‌های ورودی و ساختار مدل‌ها معمولا نقص‌هایی دارند و هیچ مدل منفردی را نمی‌توان پیدا کرد که عمل‌کرد آن در شبیه‌سازی جریان رود در تمام شرایط بهترین بوده و در خروجی آن بی‌قطعیتی نباشد. در این حالت با ترکیب مدل‌ها از مزیت‌های هر یک از مدل‌های منفرد برای ساختن مدلی که عمل‌کرد بهتری از هر یک از مدل‌های منفرد دارد بهره گرفته‌می‌شود. در این تحقیق، کارآیی روش‌های نافراسنجه‌‌یی نزدیک‌ترین همسایه و خوشه‌بندی فازی نسبت به روش‌های ترکیب مدل bga (bates granger averaging)، gra (granger ramanathan averaging)، aica (akaike information criterion)، bica (bayes information criterion)، متوسط‌گیری با وزن‌های یکسان و روش لاسو در ترکیب خروجی مدل‌های آب‌شناختی یکپارچه gr5j، simhyd، sacramento و smar بررسی شد. با کاربرد داده‌های ورودی بارش، دما، آب‌دهی و تبخیرتعرق هر یک از مدل‌های منفرد واسنجی، و روان‌آب خروجی حوضه‌ی‌ کسیلیان شهرستان پل‌سفید در ایستگاه ولیک‌بن در مقیاس روزانه برآورد شد. سپس هر یک از روش‌های ترکیب مدل‌ها برای ترکیب نتایج خروجی هر یک از مدل‌های منفرد اجرا شد. نتایج نشان داد که بهترین عمل‌کرد در دوره‌ی واسنجی در مدل‌های gr5j و sacramento، و در دوره‌ی اعتبارسنجی در مدل‌های simhyd و gr5j بود. بهترین عمل‌کرد مدل‌های ترکیبی در دوره‌ی واسنجی در روش‌های لاسو و gra بود که هر دو مشابه هم عمل کردند؛ اندازه‌های ضریب همبستگی، ضریب نشساتکلیف و rmse آن‌ها به ترتیب 0/83، 0/69 و 0/24 بود. در دوره‌ی اعتبارسنجی برای روش‌های متوسط‌گیری با وزن‌های یکسان و روش bga با اندازه‌های ضریب همبستگی، ضریب نشساتکلیف  و rmse به‌ترتیب 0/73، 0/27 و 0/52 بود. در دوره‌ی واسنجی عمل‌کرد روش نزدیک‌ترین همسایه بهتر از روش مبتنی‌بر خوشه‌بندی فازی بود، و بهترین عمل‌کرد هر دو مدل در 20 همسایه به‌دست آمد. در دوره‌ی اعتبارسنجی عمل‌کرد روش مبتنی بر خوشه‌بندی فازی بهتر بود و عمل‌کرد هر دو مدل با افزایش تعداد همسایه بهتر شد.

Evaluating the Efficiency of K nearest Neighbor and Fuzzy CMeans Clustering Based Methods in the Outputs of Hydrological Models

Because of incomplete model input and imperfections of the model structure there is not any single hydrological model that has the best performance in different conditions and present outputs without uncertainty. In this situation by combining individual models outputs, the strengths of each single model are used to make a new model that performs better than each single model. In this study the efficiency of nonparametric K nearest neighbor and the Fuzzy CMeans clustering based methods were compared with BGA (Bates Granger Averaging), GRA (Granger Ramanathan Averaging), AICA (Akaike Information Criterion), BICA(Bayes Information Criterion), equal weights averaging and lasso methods in averaging output of hydrological models GR5J, SimHyd , SACRAMENTO and SMAR. Firstly, using the amount of rainfall, evapotranspiration, temperature, and the daily discharge of the Kasilian Watershed in Pol Sefid city at the Bon Koh Station was simulated by each hydrological model. Then different model averaging methods were used to combine the output of each single model. Results indicated that for the calibration period, the GR5J and SACRAMENTO, and the correlation coefficient, Nash Sutcliffe efficiency and RMSE were 0.83, 0.69 and 0.24 respectively. The models SimHyd and GR5J performed better for the validation period; the correlation coefficient, Nash Sutcliffe efficiency and RMSE were 0.73, 0.27 and 0.52 respectively. The lasso and GRA model averaging had the best performance for the calibration period and for the validation data equal weights averaging and BGA had the best performance. For calibration data K nearest neighbor performed better than fuzzy K means clustering based method and the best performance for two methods was obtained at 20 neighbors and for validation data fuzzy K means clustering based method performed better and it observed model performance was improved as the number of neighbors was increased.