تحلیل عدم قطعیت مدل های شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در پیش بینی جریان ماهانه رودخانه (مطالعه موردی: رودخانه قزل اوزن)

در یک دهه اخیر، روش های هوش مصنوعی بیش ترین کاربرد را در شبیه سازی فرآیندهای مختلف از جمله فرآیندهای هیدرولوژیکی داشته اند، اما نتایج این روش ها همواره با عدم قطعیت همراه بوده اند. یکی از راه حل هایی که می تواند تا حدودی این مشکل را حل نماید، تحلیل عدم قطعیت پیش بینی های صورت گرفته است. در مطالعه حاضر عدم قطعیت نتایج مدل های شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در پیش بینی جریان ماهانه رودخانه با استفاده از شبیه سازی مونت-کارلو و مقادیر ۹۵PPU و d-factor مورد ارزیابی قرار گرفته است. در این پژوهش از داده ها و سری زمانی جریان ماهانه رودخانه قزل اوزن در یک دوره ۳۹ ساله از سال ۱۳۵۵ تا ۱۳۹۳ برای ایستگاه آب سنجی بیانلو-یساول استفاده شده است که ۷۵ درصد داده ها برای آموزش و ۲۵ درصد برای آزمون مدل ها به کار رفته است. در این مدل ها به منظور تخمین جریان رودخانه، شش ترکیب مختلف ورودی شامل جریان یک، دو و سه ماه قبل و شماره ماه های جریان مورد استفاده قرار گرفت. برای ارزیابی مدل ها از معیارهای آماری ضریب همبستگی (R) و ریشه میانگین مربعات خطا (RMSE) استفاده شد. نتایج نشان داد که اگر چه مدل ANN با مقادیر R مساوی با ۷۵۷/۰ و RMSE مساوی با ۴۵/۹ دارای عملکرد خوبی نسبت به مدل SVM با مقادیر R مساوی با ۷۲۹/۰ و RMSE مساوی با ۹۴۶/۱۰ در پیش بینی جریان رودخانه است. اما نتایج این مدل با عدم قطعیت زیادی همراه است. مقایسه تحلیل عدم قطعیت نتایج مدل ها نشان داد که مدل SVM با مقادیر d-factor و ۹۵PPU به ترتیب برابر با ۱۵۵/۰ و ۲۴۱/۱۷ نسبت به مدل ANN با مقادیر d-factor و ۹۵PPU به ترتیب برابر با ۹۹۳/۰ و ۴۷۰/۸۵ از عدم قطعیت کم تری برخوردار است و از این لحاظ بر مدل ANN برتری دارد. مطابق نتایج این پژوهش باید با در نظر گرفتن این نکته که مدل های پیشرفته هوش مصنوعی نیز دارای عدم قطعیت هستند، نسبت به کاربرد این روش ها در زمینه های مدیریت ریسک و برنامه ریزی های آینده اقدام کرد تا بهترین عملکرد را به دست آورد.

کلیدواژه ها:

پیش بینی جریان ، رودخانه قزل اوزن ، شبکه عصبی مصنوعی ، عدم قطعیت ، ماشین بردار پشتیبان