ارزیابی مدل های کلاسیک و مدل مفهومی IHACRES و مدل هیبریدی ANN ARMA-درشبیه سازی و پیش-بینی جریان روزانه مارون

هدف از این پژوهش مقایسه عملکرد مدل­های سری زمانی خطی  باکس-جنکنیز و مدل مفهومیIHACRES ، مدل شبکه عصبی پرسپترون چندلایه و مدل هیبریدی ARMA-ANN به منظور شبیه­سازی و پیش­بینی جریان روزانه حوضه مارون می­باشد. بدین منظور از داده­های ۱۳۷۰-۱۳۸۵ برای واسنجی و از داده­های ۱۳۸۶ -۱۳۹۶ برای صحت­سنجی مدل­ها استفاده گردید. برای انتخاب مدل­های برتر باکس-جنکنز از آماره­های شوارتز ((SBC و معیار اطلاعات اکائیک ((AIC بهره گرفته شد. در مدل­سازی دبی جریان روزانه  حوضه مارون با شبکه­های عصبی مصنوعی سعی شد از سناریوها و الگوریتم­های آموزشی و توابع انتقال متفاوت با ساختار نرونی گوناگون استفاده گردید. برای مدل­سازی شدت جریان روزانه با شبکه عصبی، سناریو ۱ با تعداد پارامتر و تاخیر زمانی کمتر به عنوان سناریو برتر برگزیده شد. بررسی معیارهای ارزیابی مدل­ها نشان داد که عملکرد  مدل مفهومی در مرحله صحت­سنجی بهتر از مرحله واسنجی بوده است. همچنین مدل میانگین متحرک مرتبه چهارم MA(۴) با داشتن کمترین مقدار ضریب تبیین برابر با ۶۱/۰، ضعیف­ترین عملکرد را در بین مدل­های مختلف باکس-جنکینز به خود اختصاص داد. بررسی معیارهای ارزیابی عملکرد مدل، حاکی از برتری نسبی مدل هیبریدی ARMA-ANN نسبت به سایر مدل­های مورد استفاده در این پژوهش دارد. به­طوری که مدل ARMA-ANN بیشترین مقادیر عددی ضریب تبین ۸۶/۰ و ضریب نش-ساتکلیف ۸۱/۰ به خود اختصاص داده است. این مطلب نشان­دهنده توانایی و عملکرد مدل هیبریدی ARMA-ANN درشبیه­سازی و پیش­بینی جریان روزانه حوضه مارون در مقایسه با سایر مدل­ها است.

Keywords:

شبکه های عصبی مصنوعی , مدل های باکس–جنکنیز , تابع انتقال , ضریب نش-ساتکلیف , معیار اطلاعات اکائیک