رامتین طاوسی راد؛ محمد انصاری قوجقار؛ آرش ملکیان
چکیده
پیشبینی دقیق رواناب نقش اساسی در مدیریت منابع آب، کنترل سیلاب و برنامهریزی سازگاری با تغییر اقلیم دارد. با توجه به ماهیت غیرخطی، پیچیده و چندعاملی فرآیندهای هیدرولوژیک، استفاده از روشهای دادهمحور و الگوریتمهای یادگیری ماشین در سالهای اخیر به رویکردی کارآمد برای تحلیل و مدلسازی رواناب تبدیل شده است. دو مدل انفرادی XGBoost، ...
بیشتر
پیشبینی دقیق رواناب نقش اساسی در مدیریت منابع آب، کنترل سیلاب و برنامهریزی سازگاری با تغییر اقلیم دارد. با توجه به ماهیت غیرخطی، پیچیده و چندعاملی فرآیندهای هیدرولوژیک، استفاده از روشهای دادهمحور و الگوریتمهای یادگیری ماشین در سالهای اخیر به رویکردی کارآمد برای تحلیل و مدلسازی رواناب تبدیل شده است. دو مدل انفرادی XGBoost، CatBoost و مدل هیبریدی Boost(Cat-XG) بهمنظور پیشبینیِ روانابِ حوزه آبخیز کرج مورد ارزیابی قرار گرفتند. مدلها با 4 معیار ارزیابی NS، R، RMSE و MAE سنجیده شدند. پیشبینیهای مدلهای مورد پژوهش در 4 حالت به ثبت رسید. حالت نخست، دبی متوسط 3 ماه گذشته بهعنوان ورودی مدل در نظر گرفته شد. در سناریوی دوم، دبی متوسط 6 ماه قبل وارد مدل شد. سناریوی سوم با استفاده از سه فصل تاخیر متوالی(9 ماه) دبی متوسط ماهانه طراحی شد. سناریوی چهارم شامل یک سال وقفه زمانی متوالی بوده است. نتایج پیشبینیها نشان داد که مدل هیبریدی (Cat-XG)Boost با اختلاف قابل توجهی بهترین عملکرد را در پیشبینی رواناب ماهانه حوزه آبخیز کرج نسبت به دو مدل انفرادی مورد ارزیابی ارائه میدهد. این مدل در تمامی ایستگاههای مورد بررسی NS بالای 957/0، همبستگی بالای 939/0 به ثبت رساند. ضمن اینکه با اختلاف قابل توجهی خطاهای کمتری نسبت به دو مدل دیگر ثبت کرد. درحالیکه مدلهای انفرادی XGBoost و CatBoost بهویژه در ایستگاههای با دادههای گستردهتر با افزایش خطا مواجه شدند. دو مدل انفرادی مورد پژوهش عملکرد متوسط در پیشبینی مقادیر مرتبط با وقایع حدی اقلیمی ارائه کردند اما با ترکیب دو مدل انفرادی و معرفی مدل هیبریدی Boost(Cat-XG)، عیوب موجود در مدلهای انفرادی پوشیده شده و همچنین با رفع خطاهای موجود، پیشبینیهای بسیار دقیقتری به ثبت رسید.
