انتخاب متغیرهای ورودی به مدل برای پیش بینی جریان رودخانه با استفاده از نظریه ی اطلاعات متقابل

تغییر اقلیم آثار قابل توجه ی در میزان بارش، تبخیر و در نهایت رواناب و جریان رودخانه دارد. برآورد جریان رودخانه یکی از نیازهای اساسی برای برنامه ریزی و مدیریت جامع منابع آب و نیز مطالعات بهره برداری مخازن به حساب می آید. رفتار دینامیک و غیر خطی رودخانه متاثر از عوامل مختلف نظیر شرایط آب و هوایی نظیر دما و بارش و همچنین ویژگی های مورفولوژیک منطقه است. به علت در دست نبودن تعریف دقیق و کامل از ماهیت جریان رودخانه، بکارگیری روش های نوین و فراکاوشی نظیر شبکه های عصبی مصنوعی موجب ایجاد تحول در براورد این سیستم های دینامیک و غیرخطی شده است. به علت وجود تعداد زیاد متغیرهای ورودی در این مطالعه، شناخت متغیرهای موثر در فرایند جریان رودخانه می تواند نتایج بهتری برای پیش بینی جریان را در پی داشته باشد. بدین منظور از نظریه ی اطلاعات متقابل که یک ایده ی جالب برای به دست آوردن میزان وابستگی موجود بین متغیرهای ورودی می باشد، استفاده شده است. مزیت این روش نسبت به روش های مشابه این است که علاوه بر همبستگی خطی، همبستگی غیر خطی بین متغیرها نیز محاسبه می شود. در نهایت با استفاده از الگوریتم MRMR و MIFS که بر اساس همین ایده نوشته شده است، اقدام به انتخاب 4 متغیر موثر از میان 15 متغیر ورودی شد. و متغیرهای انتخابی به عنوان ورودی مدل به شبکه عصبی معرفی شد. نتایج حاصل حاکی از رضوایت بخش بودن این روش برای پیش پردازش متغیرهای ورودی به شبکه عصبی است.

Keywords:

پیش بینی جریان رودخانه , شبکه عصبی مصنوعی , نظریه ی اطلاعات متقابل , الگوریتم Mrmr , الگوریتم MIFS