پیش‌بینی دبی ماهانه ورودی به سد بوستان در استان گلستان با استفاده از مدل‌های داده‌کاوی و ترکیبی

در هر برنامه مدیریتی برای منابع آب، آگاهی از شرایط آینده به‌منظور تخصیص بهینه منابع آب به بخش ‌های مختلف از قبیل شرب، کشاورزی و غیره لازم می ‌باشد. آن چه در این میان مهم می ‌باشد، پیش ‌بینی مقادیر جریان ورودی به سیستم منابع آب در ماه ‌های آینده است. در این راستا، استفاده از روش‌هایی که بتواند با کمینه خطا و با توجه به داده و اطلاعات موجود، جریان رودخانه را پیش ‌بینی کند، از اهمیت فراوانی برخوردار می‌باشد. در پژوهش حاضر، مقادیر دبی ماهانه ورودی به سد بوستان برای آینده با استفاده از داده ‌های هیدرومتری ایستگاه تمر و به ‌کارگیری سه مدل سری زمانی، شبکه عصبی مصنوعی و ماشین بردار پشتیبان و همچنین، سه مدل ترکیبی پیش‌ بینی شد. سپس، با استفاده از معیارهای ارزیابی اقدام به مقایسه عملکرد هر کدام از مدل ‌ها شد. با توجه به نتایج به‌دست آمده در مدل، سری زمانی بر اساس کمینه بودن معیارهای آکاییک و شوارتز، مدل (1,0,1) arima (2,0,0) به ‌عنوان مدل برتر انتخاب شد. در مدل شبکه عصبی، شبکه با ورودی 2 و 4 نرون و در مدل svm شبکه با ورودی 3، به‌عنوان شبکه برتر انتخاب شدند. در نهایت، با توجه به نتایج به‌دست آمده از معیارهای ارزیابی، مدل سری زمانی بهترین عملکرد را داشته است که مقادیر معیارهای میانگین مربعات خطا، متوسط مقادیر مطلق خطای نسبی، میانگین مطلق خطا و نش ساتکلیف برای این مدل به‌ترتیب برابر با 0.88، 4.71، 0.024 و 0.36 به‌دست آمد. در نتیجه، مدل سری زمانی به‌عنوان بهترین مدل برای پیش‌ بینی دبی ماهانه در این ایستگاه معرفی شد.

The Boustan Dam monthly inflow forecasting using datadriven and ensemble models in the Golestan Province

In any water resource management plan, there is a pivotal need to undertake the future conditions to allocate the water resources to different sectors (e.g. drinkingwater supply, agriculture sector, etc.) more efficiently. Meanwhile, it is important to forecast water resources inflow for future months. To this aim, it is of prime interest to adopt models that are capable of coping with data scarcity problem and able to forecast the stream flow with the least possible error. The current study was aimed at forecasting the monthly inflow of the Boustan Dam by employing three models namely: time series method, Artificial Neural Network (ANN), Support Vector Machine (SVM), and their ensembles. The hydrometric data was obtained from the Tamar Station. Afterward, the models were compared by using several evaluation criteria. According to the Akaike and Schwarz criteria, the ARIMA (2, 0, 0) (1, 0, 1) was found to be the best time series model with a parsimonious behavior. Moreover, the ANN model with two and four input neurons and the SVM model with three input neurons were the best performing models compared to their other counterparts with different input numbers. Considering the evaluation criteria altogether, the time series method was the best performing model with the RMSE, AARE, MBE, and CE values of 0.88, 4.71, 0.024, and 0.36, respectively. Therefore, the time series method was introduced as the premier model for monthly inflow forecasting in the studied stations.