امیر علیزاده - Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah
احمد رجبی - Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah
سعید شعبانلو - Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah
بهروز یعقوبی - Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah
فریبرز یوسفوند - Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah

در این مطالعه، داده ­های سری زمانی بارش و رواناب حوضه رودخانه شهرچای از سال ۲۰۰۰ تا ۲۰۱۷ با استفاده از یک مدل هوش مصنوعی نوین ترکیبی شبیه­ سازی شد. برای توسعه مدل هوش مصنوعی مذکور سه الگوریتم ماشین آموزش نیرومند (ELM)، تکامل تفاضلی  (DE)و تبدیل موجک (WT) با هم ترکیب شدند و مدل­های ترکیبی SAELM و WSAELM ارائه شد. در ابتدا، موثرترین تاخیرهای داده ­های سری زمانی با استفاده از تابع خود همبستگی شناسایی شدند. سپس با استفاده از این تاخیرها، برای هر یک از مدل­های SAELM و WSAELM هفت مدل هوش مصنوعی تعریف گردید. علاوه بر این ۷۰ درصد مقادیر مشاهداتی برای آموزش مدل­های هوش مصنوعی و ۳۰ درصد باقیمانده نیز برای ارزیابی آن­ها استفاده شدند. برای مدل WSAELM ۷ به ­عنوان مدل برتر، مقادیر R۲، شاخص پراکندگی  (SI) و ضریب نش(NSC) برای شبیه ­سازی بارش به­ ترتیب مساوی با ۰/۹۶۷، ۰/۲۰۸ و ۰/۹۶۵ بدست آمدند. همچنین تحلیل حساسیت نشان داد که تاخیرهای (t-۱)، (t-۲) و (t-۱۲) به­عنوان موثرترین تاخیرهای ورودی در نظر گرفته شدند. در انتها برای مدل­های برتر یک تحلیل عدم قطعیت انجام شد.

Differential evolution, Extreme learning machine, Lake Urmia, Rainfall, Runoff, Shaharchay River, Wavelet transform, بارش, تبدیل موجک, تکامل تفاضلی, رواناب, رودخانه شهرچای, دریاچه ارومیه, ماشین آموزش نیرومند