ارزیابی مدل‌های کلاسیک و مدل مفهومی Ihacres و مدل هیبریدی Arma-Ann درشبیه‌سازی و پیشبینی جریان روزانه مارون

هدف از این پژوهش مقایسه عملکرد مدل های سری زمانی خطی  باکسجنکنیز و مدل مفهومیihacres ، مدل شبکه عصبی پرسپترون چندلایه و مدل هیبریدی arma-ann به منظور شبیه سازی و پیش بینی جریان روزانه حوضه مارون می باشد. بدین منظور از داده های 1370-1385 برای واسنجی و از داده های 1386- 1396 برای صحت سنجی مدل ها استفاده گردید. برای انتخاب مدل های برتر باکسجنکنز از آماره های شوارتز (sbc) و معیار اطلاعات اکائیک (aic) بهره گرفته شد. در مدل سازی دبی جریان روزانه  حوضه مارون با شبکه های عصبی مصنوعی سعی شد از سناریوها و الگوریتم های آموزشی و توابع انتقال متفاوت با ساختار نرونی گوناگون استفاده گردید. برای مدل سازی شدت جریان روزانه با شبکه عصبی، سناریو 1 با تعداد پارامتر و تاخیر زمانی کمتر به عنوان سناریو برتر برگزیده شد. بررسی معیارهای ارزیابی مدل ها نشان داد که عملکرد  مدل مفهومی در مرحله صحت سنجی بهتر از مرحله واسنجی بوده است. همچنین مدل میانگین متحرک مرتبه چهارم ma(4) با داشتن کمترین مقدار ضریب تبیین برابر با 0.61، ضعیف ترین عملکرد را در بین مدل های مختلف باکسجنکینز به خود اختصاص داد. بررسی معیارهای ارزیابی عملکرد مدل، حاکی از برتری نسبی مدل هیبریدی arma-ann نسبت به سایر مدل های مورد استفاده در این پژوهش دارد. به طوری که مدل arma-ann بیشترین مقادیر عددی ضریب تبین 0.86 و ضریب نشساتکلیف 0.81 به خود اختصاص داده است. این مطلب نشان دهنده توانایی و عملکرد مدل هیبریدی arma-ann درشبیه سازی و پیش بینی جریان روزانه حوضه مارون در مقایسه با سایر مدل ها است.

Evaluation of Classical, Conceptual IHACRES and Hybrid ARMA-ANN Models in Simulation and Prediction of Daily Discharge of Maroun River

The objective of this research is to compare the performance of linear time series models of BoxJenkins and IHACRES, multilayer perceptron ANN and hybrid ARMA-ANN in order to simulate and predict the daily discharge of Maroun River. For this purpose, daily discharge data of (19912006) were used for calibration and data of (20072017) were used for verification of the models. Schwartz (SBC) and Akaike information criterion (AIC) were used to select the best model. Different scenarios, learning algorithms and transfer functions with various neuron structures were used to develop the ANN model. The first scenario with less parameters and delay time was selected as the best ANN model in prediction of daily flow rate. Evaluation indices showed that the conceptual model performance in verification stage was better than that in calibration stage. Also, the 4th order moving average model with R2=0.61 had the weakest performance as compared to the other BoxJenkins models. Evaluation indices indicating a relative promotion for ARMA-ANN hybrid model as compared to the other proposed models.  As, ARMA-ANN hybrid model obtained the highest  R2=0.86 and NashSatcliffe coefficient equal to 0.81. The results prove the ability of ARMA-ANN hybrid model for simulation and prediction of daily discharge, as compared with other models.