فرشته مدرسی - University of Tehran
شهاب عراقی نژاد - University of Tehran
کیومرث ابراهیمی - University of Tehran

پیش‍بینی ماهانه جریان رودخانه در برنامه ریزی های بلندمدت منابع آب نقش کلیدی ایفا می کند. در مقاله حاضر برای افزایش دقت پیش بینی جریان ماهانه رودخانه کرخه در محل ورودی به سد کرخه در فصل زمستان از تکنیک ترکیب مدل ها استفاده شده است. بدین منظور، پنج مدل شبکه عصبی مصنوعی، شبکه عصبی رگرسیون تعمیم یافته، رگرسیون بردار پشتیبان، K نزدیک ترین همسایگی و رگرسیون خطی با ساختار بهینه به عنوان مدل های منفرد مورد استفاده قرار گرفتند. برای ترکیب مدل های مذکور از دو استراتژی وزن دهی ثابت و متغیر به مدل های منفرد بر اساس روش میانگین گیری وزنی رتبه بندی شده (OWA) استفاده شده است و در آنها، روش Orlike برای تعیین وزن ها بکار رفته است. نتایج نشان می دهد که استراتژی وزن دهی متغیر دارای قابلیت بیشتری برای ارتقای نتایج پیش بینی نسبت به وزن دهی ثابت است. همچنین، مقایسه نتایج این دو استراتژی با دو استراتژی ترکیب مدل ها با شبکه عصبی مصنوعی و انتخاب بهترین مدل منفرد نشان می دهد که استراتژی وزن دهی متغیر به طور قابل توجهی سبب ارتقای دقت نتایج نسبت به هر دو استراتژی مذکور می شود به نحوی که این استراتژی دقت نتایج را نسبت به شبکه عصبی ۸/۵۱، ۱/۳۸ و ۵/۴۴ درصد و نسبت به بهترین مدل منفرد ۶/۷، ۱۳۲ و ۹/۵۲ درصد به ترتیب در دی، بهمن و اسفندماه بهبود داده است.

model fusion, ordered weighted averaging, variable weighting, Orlike method, Karkheh., ترکیب مدل ها, میانگین وزنی رتبه بندی شده, وزن دهی متغیر, روش Orlike, کرخه.