ارزیابی عملکرد مدل های یادگیری ماشین مبتنی بر روش تجزیه مد متغیر در برآورد جریان رودخانه (مطالعه موردی: رودخانه دز)

در مطالعه حاضر جریان ماهانه رودخانه دز در محل ایستگاه تله زنگ در دوره آماری 1350 تا 1401، با رویکرد توسعه مدل تلفیقی مبتنی بر روش تجزیه سیگنال مد متغیر (vmd) مدل سازی شد. داده‌های ورودی به مدل‌های جنگل تصادفی (rf) و ماشین بردار پشتیبان (svm) براساس سه سناریو تعرف شد. در سناریوی اول ورودی‌ها به‌ترتیب از یک تا چهار تاخیر در مقیاس ماهانه در نظر گرفته شدند. در سناریوی دوم علاوه بر داده‌های جریان تاخیر یافته ترم تناوبی خطی و غیرخطی به مدل‌ها وارد شد و در سناریوی سوم داده‌های ورودی توسط روش vmd به زیر سری‌هایی تحت عنوان توابع مد ذاتی تجزیه شده و سپس در اختیار مدل‌ها قرار گرفت. نتایج نشان داد که هرچند مدل‌های منفرد با الگوهای ورودی متفاوتی به حداکثر دقت خود دست می‌یابند اما افزودن ترم تناوبی عملکرد مدل‌ها را تا حدودی بهبود می‌بخشد. در این بین بهترین عملکرد، مربوط به مدل svm با میانگین شاخص خطای rmse برابر با (m3/s) 156.83 در سناریوی دوم بود. برای مدل rf نیز میانگین شاخص خطا در سناریوی دوم کمتر از سناریوی اول بوده و برابر با (m3/s) 162.99 به‌دست آمد. در گام سوم داده‌های مربوطه توسط روش vmd تجزیه و فرآیند مدل‌سازی با روش‌های rf و svm انجام شد. براساس شاخص‌های ارزیابی، کاهش خطا و افزایش دقت در مدل‌های تلفیقی توسعه داده شده به‌طور قابل ملاحظه‌ای مشهود بود. به طوریکه مدل vmd svm تواتست مقدار شاخص rmse را به‌طور متوسط حدود (m3/s) 121 مترمکعب بر ثانیه (حدود 71 درصد) کاهش داده و نسبت به مدل vmd rf نیز از دقت بهتری برخوردار بود.

performance evaluation of machine learning models based on the variable mode decomposition (vmd) method in river flow estimation (case study: dez river)

in the present study, the monthly flow of the dez river at the taleh zang station during the statistical period from 1971 to 2022 was modeled using a hybrid approach based on the variational mode decomposition (vmd) signal decomposition method. the input data for the random forest (rf) and support vector machine (svm) models were defined based on three scenarios. in the first scenario, inputs included lagged flow data with delays of 1 to 4 months. in the second scenario, linear and nonlinear periodic terms were added to the lagged flow data as additional inputs. in the third scenario, the input data were decomposed into sub series called intrinsic mode functions (imfs) using the vmd method before being fed into the models. the results revealed that each standalone model achieved maximum accuracy with different input patterns, but adding periodic terms moderately improved their performance. the svm model in the second scenario showed the best performance, with a mean rmse error of 156.83 m³/s. for the rf model, the mean error in the second scenario (162.99 m³/s) was lower than in the first scenario. in the third step, the data were decomposed using vmd, and modeling was performed with rf and svm. evaluation metrics indicated a significant reduction in error and improved accuracy in the hybrid models. specifically, the vmd svm model reduced the rmse by an average of 121 m³/s and outperformed the vmd rf model in terms of precision.