پیش بینی جریان روزانه رودخانه اهرچای با استفاده از مدل قوانین M۵ و مقایسه آن با شبکه های عصبی مصنوعی المانی (ENN)

برآورد صحیح آبدهی رودخانه ها یکی از موارد مهم در پیش بینی خشکسالی، سیلاب، طراحی سازه­ های آبی، بهره برداری از مخازن سدها و کنترل رسوب می باشد. از این رو متخصصان علوم مهندسی آب جهت برآورد دقیق جریان، از روش های هوشمند مانند شبکه های عصبی مصنوعی و روش های مختلف داده کاوی بهره گرفته اند. در این مطالعه، جهت پیش­بینی جریان روزانه رودخانه اهرچای، از روش­های شبکه عصبی مصنوعی المانی (ENN) و قوانین درختی M۵ بهره گرفته شد. بدین منظور از داده­های جریان روزانه ایستگاه هیدرومتری اورنگ واقع بر رودخانه اهرچای در استان آذربایجان­شرقی برای مدل سازی استفاده شد. نتایج حاصل از پیش بینی جریان در یک روز بعد نشان داد که گرچه روش ENN در بهترین سناریو با ساختار شبکه نسبتا پیچیده ۱-۳-۹ که بیان گر ۹ گره در لایه ورودی، ۳ گره در لایه پنهان و یک گره در لایه خروجی با ۹۰/۰R۲=، (m۳/s)۰۲۸/۰RMSE= و (m۳/s)۰۰۱/۰MAE= از دقت بیش تری برخوردار است. اما روش قوانین M۵ تنها با دو پارامتر جریان در روز جاری و یک روز قبل به عنوان ورودی، با ۸۳/۰ R۲=، (m۳/s)۷۳۴/۰RMSE= و (m۳/s)۳۱۷/۰ MAE= علاوه بر سادگی، از دقت قابل قبولی نیز برخوردار بوده است. مقایسه عملکرد دو مدل نشان داد، گرچه شبکه عصبی المانی دارای دقت بالاتری نسبت به روش M۵ می باشد، ولی روش M۵ با توجه به ارائه قوانین کارآمد و ساده اگر-آنگاه و روابط خطی ساده برای پیش­بینی جریان و نیز تعداد پارامتر ورودی موردنیاز کم تر، می تواند بعنوان یک روش جایگزین مناسب بکار گرفته شود.

Keywords:

Data Mining , Elman Neural Network , Decision Tree Model , Modelling , داده کاوی , شبکه عصبی المانی , مدل درخت تصمیم , مد ل سازی