ارزیابی و مقایسه کارآیی مدل­ های مختلف یادگیری ماشین در پیش‌بینی بارش-رواناب

در زمینه مدلسازى بارش- رواناب با استفاده از شبکه هاى عصبی مصنوعی تحقیقات متعددى انجام یافته است که عمدتاً از الگوریتم پس انتشار خطا براى آموزش شبکه هاى چند لایه استفاده شده است. مدل پیشنهادی یک روش بیش نمونه گیری مبتنی شبکه مولد متخاصم برای دو مجموعه داده نامتعادل در کلاس کم و زیاد برای پیش بینی رواناب طراحی و پیاده سازی می‌شود. در این پژوهش دو مجموعه داده معتبر برای ارزیابی مدل پیشنهادی و سایر الگوریتم‌های مقایسه‌ای معرفی و استفاده می‌شود. مجموعه داده اول در اینجا camels نام‌گذاری شده است. این مجموعه داده به صورت واقعی تهیه شده است و در دسترس عموم قرار دارد. مجموعه داده دوم به نام runoff نام‌گذاری شده است و به صورت مصنوعی تهیه شده است. در این تحقیق، به منظور ارزیابی و مقایسه کارآیی مدل­های مختلف یادگیری ماشین در پیش‌بینی رواناب، از معیارهای معتبر ماتریس درهم ریختگی و roc استفاده شد. با توجه به نتایج ارائه شده در این تحقیق، در مجموعه داده camels مدل (cnn-koa) توانسته به بالاترین میزان accuracy (0.99963) در پیش بینی رواناب در این مجموعه داده برسد. همچنین نتایج ارائه شده در این تحقیق در مجموعه داده runoff نشان می‌دهد که مدل xgboost توانسته به بالاترین میزان accuracy (0.99630) در پیش بینی رواناب در این مجموعه داده برسد.