ارزیابی عملکرد مدل‌های یادگیری ماشین و دستوالعمل‌های بهینه‌سازی برای پیش‌بینی آب‌دهی رود کشکان

مقدمه و هدف شبیه‌سازی آبدهی رود در ایستگاه‌های آب‌سنجی به‌منظور آگاهی از آب‌دهی رود در دوره‌های زمانی آینده از مسائل مهمی است که معمولاً به‌وسیله سری‌های زمانی آب‌شناختی مرتبط با همان ایستگاه انجام می‌شود. به‌منظور پیش‌بینی آب‌دهی رود با بیشترین دقت از سه گروه بزرگ شامل روش‌های تجربی و آماری، مفهومی و فرایند محور استفاده می‌شود. از جمله روش‌های داده محور، روش‌های مبتنی بر پایه هوش مصنوعی هستند. هدف این پژوهش، بررسی عملکرد مدل‌های یادگیری ماشین شامل: svm وanfis ، ann و بررسی عملکرد مدل آموزش داده‌شدۀ شبکه عصبی با دستورالعمل‌های بهینه‌سازی نهنگ (woa) و دستورالعمل ازدحام ذرات (pso) در پیش‌بینی آب‌دهی رود بود. افزون بر ارزیابی مدل‌های هوشمند، تاثیر استفاده از دستورالعمل‌های بهینه‌سازی بر دقت پیش‌بینی آب‌دهی رود بررسی شد. از آنجایی که برای استفاده از مدل‌های داده محور، داده‌های ورودی تاثیر قابل توجهی بر عملکرد مدل‌ها دارند، ازاین‌رو سنجه‌های موثر بر آب‌دهی رود مشخص شد و بهترین ترکیب متغیرهای ورودی برای هر مدل تعیین شد. مواد و روش‌هادر این پژوهش، به‌منظور پیش­بینی آب‌دهی روزانه در ایستگاه آب‌سنجی پل‌دختر واقع بر رود کشکان، داده‌های آب‌دهی رود و بارش مربوط به سال‌های 1397 1350 تهیه شد. از مدل‌های هوشمند ساختار استنتاج فازی عصبی (anfis) و ساختار بردار پشتیبان (svm)، شبکه عصبی مصنوعی (ann)، مدل ترکیبی شبکه عصبی و دستورالعمل ازدحام ذرات (ann pso) و مدل ترکیبی شبکه عصبی و دستورالعمل نهنگ (ann woa) استفاده شد. در دو مدل ترکیبی تلاش شد که سنجه‌های شبکه عصبی با استفاده از دستورالعمل‌های فراابتکاری تنظیم شوند و تاثیر آن بر عملکرد مدل ann بررسی شود. هم‌چنین، در این پژوهش، تاثیر داده‌های آب‌دهی رود و بارش همراه با تاخیرهای زمانی (داده‌های مربوط به روزهای گذشته) و ترکیبی از این سنجه‌ها به‌عنوان ورودی مدل‌ها بررسی شد. به‌منظور تعیین بهترین ترکیب متغیرهای ورودی، روش‌های آماری تابع همبستگی خودکار (acf) و تابع همبستگی خودکار جزئی (pacf) و ضریب همبستگی پیرسون (pcc) به‌کارگرفته شد. پس از اعمال ورودی‌های موثر و آموزش مدل‌های هوشمند نامبرده، با مقایسه اندازه‌های rmse، r2 و ne، عملکرد آن‌ها در پیش‌بینی آب‌دهی رود بررسی شد.نتایج و بحثنتایج بررسی همه مدل‌ها در این پژوهش نشان داد که آب‌دهی یک (q -1)، دو (q- 2) و سه (q -3) روز گذشته و بارش یک روز گذشته (p -1)، بیش‌ترین همبستگی را با آب‌دهی روزانه رود نشان داد. به‌طور کلی، برای مدل کردن آب‌دهی رود در آبخیز کشکان دقت همه مدل‌ها قابل قبول بود. بر اساس نتایج به‌دست آمده، بیشترین دقت برای پیش‌بینی آب‌دهی روزانه جریان مربوط به مدل ann woa با بیش‌ترین اندازه ضریب تبیین (0/896= r2) و ضریب نش ‌ساتکلیف (0/803= ne) و کمترین اندازه خطا (0/0186=rmse )، بود. پس از آن، مدل svm با ساختار تابع کرنل پایه شعاعی و اندازه‌های c=4, γ=1, ϵ=0.001با اندازه ضریب تبیین (0/895= r2)، ضریب نش‌ ساتکلیف (0/801 ne=) و اندازه خطا (0/0187=rmse )، عملکرد بهتری نشان داد و مدل‌های ann pso و ann نیز به‌ترتیب در رده‌های سوم و چهارم بودند. نتایج بیانگر آن بود که استفاده از دستورالعمل‌های بهینه‌سازی فرابتکاری دقت مدل ann را افزایش داد و می‌توان از آن برای آموزش شبکه استفاده کرد. بررسی ساختارهای گوناگون anfis نشان داد برای مدل‌سازی آب‌دهی رود منطقه مطالعه‌شده عملکرد توابع مثلثی و گوسی بیشتر بود. از سوی دیگر، خطای این مدل با اندازه‌های 023/0=rmse و 76/0=ne در مقایسه با دیگر مدل‌ها بیشتر بود.نتیجه‌گیری و پیشنهادهانتایج این پژوهش نشان داد برای پیش‌بینی آب‌دهی رود دقت مدل‌های یادگیری ماشین مانند svm،anfis  و ann قابل قبول بود. تنظیم سنجه‌های شبکه عصبی با استفاده از دستورالعمل‌های بهینه‌سازی مانند woa و pso تاثیر بسزایی در بهبود عملکرد این مدل داشت. سرانجام می‌توان گفت این مدل‌ها می‌توانند جایگزین مناسبی برای مدل‌های مفهومی و آب‌شناختی در حل مسائل آب‌شناختی و آب‌دهی باشند. پیشنهاد می‌شود دو مدل svm و anfis با استفاده از دستورالعمل pso و woa آموزش‌داده شود و سپس نتایج با یافته‌های این پژوهش مقایسه شود.

the performance evaluation of machine learning models and optimization algorithms for predicting the river discharge of kashkan river

introduction and goal the simulation of river discharge at hydrometric stations to predict future flow discharge over specific time periods is an important issue typically addressed using hydrological time series associated with the respective station. to predict river discharge with the hights accuracy, three major groups of methods are commonly utilized: empirical and statistical methods, conceptual methods, and process based approaches. among data driven methods, those based on artificial intelligence based are prominent. the aim of this study was evaluating the performance of machine learning models, including svm, anfis, and ann, and assessing the performance of a neural network model trained with whale optimization algorithm (woa) and particle swarm optimization (pso) to predict flow discharge. in addition to evaluating the intelligent models, the impact of using optimization algorithms on the accuracy of river discharge predictions was also examined. since input data have a significant impact on the performance of data driven models, the criteria influencing the river discharge were identified, and the best combination of input variables for each model was determined.materials and methods in this study, to predict the daily discharge at the poldokhtar hydrometric station located on the kashkan river, discharge and precipitation data from 1971 to 2018 were collected, and intelligent models, including adaptive neuro fuzzy inference system (anfis), support vector machine (svm), artificial neural network (ann), and the hybrid model of artificial neural network with particle swarm optimization (ann pso) and the hybrid model of artificial neural network with whale optimization algorithm (ann woa) were employed. in the two hybrid models, efforts were made to adjust the criterias of the artificial neural network using metaheuristic algorithms, and their impact on the performance of the ann model was examined. additionally, this study investigated the impact of river discharge and precipitation data, along with their time lags (data from previous days), and combinations of these metrics as input variables for the models. to determine the best combination of input variables, statistical methods such as the autocorrelation function (acf), partial autocorrelation function (pacf), and pearson correlation coefficient (pcc) were employed. after applying the effective inputs and training the mentioned intelligent models, their performance in predicting river discharge was evaluated by comparing rmse, r², and ne metrics.results and discussion the evaluation of all models in this study showed that the river discharge of one day (q 1), two days (q 2), and three days (q 3) ago, along with the precipitation of one day ago (p 1), exhibited the highest correlation with the river’s daily discharge. overall, all models demonstrated acceptable accuracy in modeling the river discharge in the kashkan watershed. according to the results, the highest accuracy in predicting daily discharge was achieved by the ann woa model, with the highest coefficient of determination (r² = 0.896), nash sutcliffe efficiency (ne = 0.803), and the lowest error (rmse = 0.0186). subsequently, the svm model, using a radial basis kernel function with parameters c=4, γ=1, and ϵ=0.001 demonstrated superior performance, with a coefficient of determination (r² = 0.895), nash sutcliffe efficiency (ne = 0.801), and an error (rmse = 0.0187). then, the ann pso and ann models ranked third and fourth, respectively. the results indicated that using metaheuristic optimization algorithms significantly improved the accuracy of the ann model, making it a suitable tool for neural network training. the evaluation of different anfis structures revealed that triangular and gaussian functions performed better for modeling river discharge in the study area. on the other hand, the error of this model, with values of rmse=0.023 and ne=0.76 was higher compared to the other models.conclusion and suggestions this study demonstrated that machine learning models, such as svm, anfis, and ann, exhibited acceptable accuracy in predicting river discharge. adjusting neural network parameters using optimization algorithms like woa and pso significantly enhanced the performance of the ann model. finally, it can be concluded that these models can serve as suitable alternatives to conceptual and hydrological models for addressing hydrological and discharge related issues. it is recommended to train the svm and anfis models using the pso and woa algorithms and then compare the results with the findings of this study.