ارزیابی عملکرد مدل های یادگیری ماشین مبتنی بر روش تجزیه مد متغیر در برآورد جریان رودخانه (مطالعه موردی: رودخانه دز)

نویسندگان

1 استادیار دانشگاه شهید چمران اهواز

2 گروه هیدرولوژی و منابع آب، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.

3 گروه هیدرولوژی و منابع آب، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.

doi
چکیده

در مطالعه حاضر جریان ماهانه رودخانه دز در محل ایستگاه تله زنگ در دوره آماری 1350 تا 1401، با رویکرد توسعه مدل تلفیقی مبتنی بر روش تجزیه سیگنال مد متغیر (VMD) مدل سازی شد. داده‌های ورودی به مدل‌های جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) براساس سه سناریو تعرف شد. در سناریوی اول ورودی‌ها به‌ترتیب از یک تا چهار تأخیر در مقیاس ماهانه در نظر گرفته شدند. در سناریوی دوم علاوه بر داده‌های جریان تأخیر یافته ترم تناوبی خطی و غیرخطی به مدل‌ها وارد شد و در سناریوی سوم داده‌های ورودی توسط روش VMD به زیر سری‌هایی تحت عنوان توابع مد ذاتی تجزیه شده و سپس در اختیار مدل‌ها قرار گرفت. نتایج نشان داد که هرچند مدل‌های منفرد با الگوهای ورودی متفاوتی به حداکثر دقت خود دست می‌یابند اما افزودن ترم تناوبی عملکرد مدل‌ها را تا حدودی بهبود می‌بخشد. در این بین بهترین عملکرد، مربوط به مدل SVM با میانگین شاخص خطای RMSE برابر با (m3/s) 83/156 در سناریوی دوم بود. برای مدل RF نیز میانگین شاخص خطا در سناریوی دوم کمتر از سناریوی اول بوده و برابر با (m3/s) 99/162 به‌دست آمد. در گام سوم داده‌های مربوطه توسط روش VMD تجزیه و فرآیند مدل‌سازی با روش‌های RF و SVM انجام شد. براساس شاخص‌های ارزیابی، کاهش خطا و افزایش دقت در مدل‌های تلفیقی توسعه داده شده به‌طور قابل ملاحظه‌ای مشهود بود. به طوریکه مدل VMD-SVM تواتست مقدار شاخص RMSE را به‌طور متوسط حدود (m3/s) 121 مترمکعب بر ثانیه (حدود 71 درصد) کاهش داده و نسبت به مدل VMD-RF نیز از دقت بهتری برخوردار بود.