پپیش‌بینی و ارزیابی ارتباط دبی رودخانه در ایستگاه‌های هیدرومتریک متوالی با استفاده از روش‌های ترکیبی Gpr-Eemd (مطالعه موردی: رودخانه هوستونیک)

پیش بینی دقیق دبی در رودخانه ها، از مهم ترین مولّفه های فرآیندهای هیدرولوژیکی و هیدرولیکی در مدیریت منابع آب، به ویژه در اتّخاذ تدابیر مناسب در مواقع خشکسالی و بروز سیلاب است. در این تحقیق از تابع موجک و تجزیۀ مد تجربی یکپارچه که از ابزارهای محاسبات نرم محسوب می شوند، جهت استخراج ویژگی های سری زمانی استفاده گردیده و کارایی مدل های موجک گوسین (dwt-gpr) و تجزیۀ مد تجربی یکپارچه گوسین (eemd-gpr) برای پیش بینی دبی بین سه ایستگاه متوالی رودخانه هوستونیک، واقع در آمریکا مورد بررسی قرار گرفته است. برای این منظور در گام اول، مقدار دبی ایستگاه پایین دست، توسط ایستگاه های بالادست با استفاده از مدل رگرسیون فرایند گاوسی پیش بینی شده است. سپس سری های زمانی دبی و اشل توسط تبدیل موجک و تجزیۀ مد تجربی یکپارچه به زیرسری هایی تجزیه گشته و این زیرسری ها جهت شبیه سازی رابطه دبی اشل وارد مدل رگرسیون فرایند گاوسی شدند. همچنین تاثیر هر یک از زیرسری های روش تجزیۀ مد تجربی یکپارچه (residual and  imfs) در نتایج پیش بینی، بررسی گردید. مشاهده گردید که ناکارآمدترین زیرسری در تجزیۀ مد تجربی یکپارجه، زیرسری باقیمانده (residual) می باشد. نتایچ حاکی از آن است که روش های ترکیبی موجک (dwt-gpr) و تجزیۀ مد تجربی یکپارچه (eemd-gpr) تا حدود زیادی باعث بهبود نتایج گردیدند. به عنوان نمونه،برای مرحله آزمون مدل برتر پیش بینی دبی ایستگاه دوم، مدل تلفیقی تجزیه مد تجربی یکپارچه گوسین 0.74=dc را به 0.80=dc و مدل تلفیقی موجک گوسین 0.74=dc را به 0.83=dc ارتقاء داد.

Prediction of River Discharge and Assessment its Relationship at Consecutive Hydrometric Stations Using GPR-EEMD Combined Techniques (Case Study: Housatonic River)

Accurate forecasting of river flow is one of the most important factors in surface water resources management, especially during flood and drought periods. In this research, the wavelet function and the ensemble empirical mode decomposition (EEMD), which are considered as soft computing tools, were used to derive the time series features, and the efficiency of the wavelet Gaussian and the ensemble empirical mode decompositionGaussian models for predicting the discharge between the three consecutive stations located in the Housatonic river have been investigated. For this purpose, in the first step, the discharge of downstream stations is predicted by upstream stations using the Gaussian process regression model. Then, the dischargestage time series was broken up by wavelet transform and ensemble empirical mode decomposition into cages, and these subclasses were introduced into the Gaussian process regression modeling to simulate the dischargestage relationship. Also, the effect of each of the subseries of ensemble empirical mode decomposition model (Residual and IMFs) was studied to improve predictive outcomes. It was observed that the most inefficient subseries in the ensemble empirical mode decomposition model is the residual subseries. The results indicate that wavelet compound techniques (DWTGPR) and ensemble empirical mode decomposition (EEMDGPR) have improved the results to a certain extent. As an example, for the test stage, the best prediction model of the second station, the combined model of ensemble empirical mode decompositionGaussian upgraded determination coefficient (DC) from 0.74 to 0.80 and the combined model of waveletGaussian upgraded DC from 0.74 to 0.83.