بررسی عدم‌قطعیت مدل‌های داده‌مبنا در پیش‌بینی دبی ماهانه حبله‌رود

مدیریت مناسب حوضه‌های آبریز نیازمند در اختیار داشتن پیش‌بینی‌های دقیق و قابل اطمینان از دبی رودخانه‌هاست. در سالیان اخیر، مدل‌های داده‌مبنا و به‌ویژه مدل‌های مبتنی بر هوش مصنوعی، در زمینه‌های مختلفِ مرتبط با منابع آب با موفقیت مورد استفاده قرار گرفته‌اند. با این وجود، تحلیل عدم‌قطعیت این مدل‌ها کمتر مورد توجه قرار گرفته است. در مطالعه حاضر، عدم‌قطعیت خروجی پنج مدل مبتنی بر هوش مصنوعی شامل مدل‌هایی از نوع ماژولار، pca، tlrn، anfis و svm در پیش‌بینی دبی ماهانه حبله‌رود، با استفاده از کمیت‌های 95ppu، p-factor و d-factor مورد بررسی قرار گرفته است. با استفاده از داده‌های ثبت‌شده از متغیرهای هواشناسی و دبی طی سال‌های 2012-1998 در حوضه آبریز حبله‌رود در شرق استان تهران، ساختارهای متفاوتی از مدل‌ها مورد آموزش و آزمون قرار گرفتند. مقادیر نهاییِ p-factor و d-factor برای هر کدام از پنج مدلِ مورد بررسی محاسبه شد. نتایج نشان داد svm با p-factor نهاییِ معادل با 82 درصد در مرحله آزمون، قابل‌اعتمادترین مدل برای پیش‌بینی دبی ماهانه در حوضه مورد بررسی است.

Investigating the Uncertainty of DataBased Models in Forecasting Monthly Flow of the Hablehroud River

Accurate and reliable forecasts of river flow are required for proper management of watershed systems. In recent years, datadriven models and especially artificial intelligent based models have been successfully used in various areas related to water resources. However, uncertainty analysis of these models has been less appreciated in prior studies. In the present study, the output uncertainty of five datadriven models including modular, PCA (Principle Component Analysis), TLRN (TimeLagged Recurrent Network), ANFIS (AdaptiveNetworkbased Fuzzy Inference System) and SVM (Support Vector Machine) type models in forecasting river flow has been investigated using 95PPU, pfactor and dfactor quantities. Using the observed meteorological and flow data during 19982012 in Hablehroud Basin, different structures of the proposed models were trained and tested. The final values of pfactor and dfactor for each model type were obtained. The results showed that SVM with a pfactor of 82% produces the most reliable forecasts in the present study.