کاربرد مدل هوش مصنوعی ماشین آموزش نیرومند با حذف داده پرت (orelm) در پیش‌بینی دبی رودخانه

هدف: هدف از این تحقیق بررسی کارایی مدل ماشین آموزش نیرومند (orelm) برای پیش‌بینی دبی رودخانه قره‌سو در محل ایستگاه پل کهنه (کرمانشاه) است. روش پژوهش: محدوده موردمطالعه حوضه آبریز پل کهنه واقع بر رودخانه قره‌سو است.  آموزش elm شامل دو مرحله است: مرحله اول، اختصاص تصادفی وزن‌ها و بایاس‌ها به نرون‌های لایه پنهان و محاسبه خروجی لایه پنهان ماتریس h و مرحله دوم، محاسبه وزن‌های خروجی با استفاده از شبه معکوس moore-penrose ماتریس h و مقادیر هدف برای نمونه‌های آموزشی مختلف. جهت محاسبه ماتریس وزن خروجی ، خطای آموزش را به‌گونه‌ای در نظر می‌گیرند که ماتریس sparse باشد. یافته‌ها: نتایج حاصل از کاربرد مدل هوش مصنوعی orelm  نشان می‌دهد این روش توانسته است در دوره آماری 65ساله با کمترین میزان خطا در مراحل آموزش و آزمایش دبی ورودی رودخانه را پیش‌بینی نماید. به‌طوری که مقدار rmse در این روش در حالت تاخیر یک‌ماهه (t-1) در دو مرحله آموزش و آزمایش به ترتیب 12.22و 4.14 بود. لذا با استفاده از مدل‌های هوش مصنوعی با صرف زمان و هزینه بسیار کم اطلاعات مدیریتی بسیار ارزشمندی در خصوص پیش‌بینی دبی جریان رودخانه در سال‌های خشک و تر به دست می‌آید. نتیجه‌گیری: نتایج تجربی نشان می‌دهد که روش توسعه‌یافته باتوجه‌به شاخص‌های مختلف ارزیابی عملکرد نسبت به روش‌های سنتی برتری دارد؛ بنابراین، یک مدل ماشین یادگیری افراطی تکاملی جدید و عملی با استفاده از هوش ازدحامی برای انجام کار پیچیده پیش‌بینی هیدرولوژیکی توسعه داده شده است. نوآوری این تحقیق عبارت است از توسعه مدل هوش مصنوعی orelm باقابلیت حذف داده‌های پرت برای پیش‌بینی دبی رودخانه بر اساس کمترین اطلاعات ورودی بدون نیاز به مدل‌های پیچیده در کمترین زمان است.

ai application of the outlier-robust extreme learning machine (orelm) model in river discharge prediction

objective: this study focuses on evaluating the effectiveness of the outlier-robust extreme learning machine (orelm) model in predicting the discharge of the qarasu river at the pol kohneh hydrological station in kermanshah. method: the study focuses on the pol kohneh watershed along the qarasu river, which originates from sarab ravansar, 50 kilometers northwest of kermanshah. this study applies elm to predict rainfall and river discharge using hydrological and meteorological data. elm’s ability to handle complex, nonlinear relationships makes it suitable for forecasting, especially in real-time applications. to improve accuracy, outlier removal is performed before training. the model efficiently predicts future discharge values, offering a scalable solution for water resource management and flood risk assessment. results: the rmse values for a one-month lag (t-1) were recorded as 12.22 and 4.14 for the training and testing phases, respectively. the findings of this study highlight the potential of artificial intelligence-based models like orelm in hydrological forecasting. unlike traditional methods, these models require significantly less time and computational effort while delivering accurate predictions. by leveraging machine learning techniques, water resource managers can efficiently forecast river discharge trends, aiding in effective decision-making for flood management, irrigation planning, and water allocation during dry and wet periods. conclusions:  the ability of orelm to handle long-term discharge predictions with minimal input data makes it a valuable tool for hydrological studies, particularly in data-scarce regions where conventional models face limitations.