فهرست نشریات علمی دسترسی آزاد ایران

در این مقاله پیش‌بینی نقطه‌ای و فواصل پیش‌بینی مدل شبکه عصبی مصنوعی (ANN) برای بارش و رواناب محاسبه شده است. سری زمانی 28 و 34 ساله از سال 1987 تا 2015 و 1981 تا 2015 به ­ترتیب برای حوضه رودخانه لیقوان‌چای و رودخانه غرب نیشنابوتنا (West Nishnabotna River) برای مدل­سازی در مقیاس روزانه و ماهانه استفاده شده است. ازآنجایی‌که پیش‌بینی نقطه‌ای ANN هیچ اطلاعاتی درباره عدم قطعیت مدل­سازی بیان نمی‌کند، فواصل پیش‌بینی برای ارزیابی عملکرد ANN به­ کار گرفته شد. مدل­سازی فواصل ساخته‌شده با روش تخمین حد بالا و پایین (LUBE) که در آن ANN با دو خروجی که نشان‌دهنده‌ حد بالا و پایین هستند، برای تخمین حدود پیش‌بینی استفاده شد. همچنین روش کلاسیک بوت­استرپ (Bootstrap)، که روشی رایج برای ارزیابی عدم‌قطعیت پیش‌بینی است، مورداستفاده قرار گرفت. نهایتاً دقت فواصل پیش‌بینی به­ وسیله دو معیار همگرایی فواصل پیش‌بینی و عرض فواصل کمیت‌سنجی شد. در این مطالعه، ورودی‌های مدل­سازی با معیار غیرخطی اطلاعات مشترک انتخاب شدند. مقایسه بین نتایج دو روش حاکی از آن است که روش LUBE  در مقایسه با روش بوت­استرپ به نتایج قابل‌اطمینان‌تری منجر شد. احتمال همگرایی فواصل پیش‌بینی و عرض فواصل پیش‌بینی روش LUBE در مقایسه با روش بوت­استرپ به ­ترتیب تا 20% بیشتر و 30% کم­تر بود. در روش LUBE، مدل­سازی در مقیاس روزانه در مقایسه با مقیاس ماهانه به ­ترتیب برای رواناب رودخانه لیقوان‌چای و رودخانه غرب نیشنابوتنا، احتمال همگرایی فواصل پیش‌بینی 17% و 13% بیشتر و عرض فواصل پیش‌بینی 18% و 12% کم­تر بوده است.