فهرست نشریات علمی دسترسی آزاد ایران

پیش‌بینی دقیق فرآیندهای هیدرولوژیکی و احتساب عدم قطعیت‌های آنها، از جمله چالش‌های اساسی در حوضه مدیریت منابع اب است. هدف مقاله حاضر، پیش‌بینی جریان ماهانه رودخانه کارون در محل ایستگاه هیدرومتری ارمند با استفاده از روش‌های هوش مصنوعی (AI) می‌باشد. بکارگیری رویکرد شبیه‌سازی مونت کارلو (MCS) جهت احتساب عدم قطعیت پیش‌بینی‌های نامبرده و نیز مقایسه عملکرد آنها از اهداف دیگر مقاله محسوب می‌شود. بدین منظور از مدل‌های مبتنی بر AI شامل برنامه‌نویسی بیان ژن(GEP) ، اسپیلاین رگرسیون تطبیقی چند متغیره (MARS) و درخت مدل (MT) استفاده شده است. همچنین آمار 28 ساله جریان رودخانه کارون (سالهای 1387-1360) استفاده و برای تولید اعداد تصادفی، روش پارامتریک توماس–فیرینگ (TF) بکار گرفته شد. نتایج ارزیابی عملکرد مدلها با شاخص‌هایی همچون ضریب همبستگی (R)، میانگین قدر مطلق خطا (MAE) و ریشه میانگین مربعات خطا (RMSE)، نشان داد که مدل MT در هر دو مرحله آموزش و آزمون عملکرد بهتری نسبت به سایرین داشته است. شاخص‌های دقت مدل برای مرحله آموزش مدل MT برابر R=0.841 و RMSE=36.789 m^3/s بوده است در حالیکه این شاخص‌ها برای مرحله آزمون برابر با R=0.87 و RMSE=44.253 m^3/s می‌باشد. نتایج ارزیابی عدم قطعیت پیش‌بینی‌ها توسط مدلهای MARS، GEP و MT نشان داد که مدل MT با داشتن شاخص R-factor=1.67 و 95PPU=55.5% بهترین عملکرد را برای احتساب عدم قطعیت داشته است.