مقایسه پیش‌بینی داده‌های روزانه دبی رودخانه صوفی‌چای با شبکه عصبی و سری زمانی

آب یکی از حیاتی ترین نیازهای بشر بوده که با افزایش جمعیت و ضرورت رشد کشاورزی و صنعت حساسیت آن را روز به روز بیشتر کرده است. بنابراین دبی جریان رودخانه به عنوان یکی از مولفه‌های مهم در چرخه هیدرولوژی که در ارتباط مستقیم با محیط زیست قرار دارد، نقش اساسی در فرآیندهای فیزیکی، اکولوژیکی، اجتماعی و اقتصادی ایفا می‌نماید. اهمیت پیش‌بینی جریان رودخانه در مدیریت منابع آب حوزه‌هایی که حجم بیشتر بارش در فصول خاصی اتفاق افتاده و باقی ماه‌های سال بدون بارندگی می‌باشد چشمگیرتر است. از طرفی، سرشت متغیر و پیچیده‌ی فرآیندهای طبیعی، محققان را ملزم به استفاده از روش‌های متعددی جهت توصیف متغیرهای هیدرولوژیک و پیش‌بینی گام‌های زمانی آن نموده است. توسعه تکنیک‌های مختلف جهت پیش‌بینی کوتاه مدت و بلندمدت دبی سالانه، ماهانه، روزانه و ساعتی جریان با افق زمانی کمتر از هفت روز تا چندین ماه سابقه طولانی دارد. در این تحقیق، نتایج حاصل از پیش‌بینی داده‌های روزانه دبی رودخانه صوفی‌چای با شبکه عصبی و سری زمانی مورد مقایسه قرار گرفته است. به‌منظور شبیه‌سازی از روش آماری سری زمانی در قالب الگوی ar، ma و arima مورد ارزیابی قرار گرفته‌اند که در این میان مدل arima 2,2 با ضریب aic برابر با 26/14573, واریانس باقیمانده 8-10×583/0 به عنوان مدل برتر جهت پیش‌بینی دبی رودخانه مورد استفاده قرار گرفت. از سوی دیگر دو مدل شبکه عصبی جهت پیش‌بینی دبی رودخانه صوفی چای با نرم‌افزار matlab طراحی شده و در هر مدل سی سناریو مختلف متفاوت از نظر تعداد نورن راه اندازی گردید و با استفاده از مقادیر r، mse و rmse مدل برتر جهت پیش‌بینی انتخاب گردید در مدل برتر مقادیر مذکور به ترتیب برابر با 9376/0، 016/0 و 1264/0 است. در ادامه با مقایسه‌ مدل برتر سری زمانی و مدل برتر شبکه عصبی، نتایج نشان داند که مدل arima2,2, نسبت به شبکه عصبی از دقت بالاتری برخوردار بوده و قادر است دبی روزانه رودخانه صوفی چای را بهتر پیش‌بینی نماید.

comparison of daily forecast data of the soufichai river with the neural network and time series

water is one of the most vital human needs, increasing its sensitivity with increasing population and the necessity of growing agriculture and industry. therefore, river flow flood plays an essential role in the physical, ecological, social and economic processes as an important component of the hydrological cycle that is directly related to the environment. the importance of river flow prediction in water resource management areas that have more rainfall in certain seasons and the remaining months of the year without rainfall are more significant. on the other hand, the variable and complex nature of natural processes requires researchers to use several methods to describe hydrologic variables and to predict its timing. development of various techniques for short-term and long-term forecasting of annual, monthly, daily and hourly flow of the current with a horizon of less than seven days to several months has a long history. in this research, the results of forecasting daily data of the sufi chay river in the neural network and time series have been compared. in order to simulate a time series statistical method in the ar, ma and arima model, arima 2.2 with an aic coefficient equal to 4573.16, the remaining variance of 583 × 10 8/0 as the superior model the river was used to predict the river. on the other hand, two neural network models were designed to predict the sof-chai river discharge using matlab software. in each model, different scenarios for different neurons were set up. using r, mse and rmse values, the best model was chosen for prediction. the superior model of these values is 0.9376, 0.016 and 0.1264, respectively. the results show that the arima2.2 model has a higher accuracy than the neural network and is able to better predict the daily flow rate of the sufi river tea, by comparing the superior time series model with the superior model of the neural network.