ترکیب مدل ماشین یادگیری افراطی مناسب داده پرت (ORELM) با مدل خطی میانگین متحرک اتورگرسیو فصلی(SARIMA) برای بهبود دقت مدل سازی رواناب

پیش بینی دقیق و قابل اعتماد رواناب نقش مهمی در مدیریت منابع آب داشته، اما ماهیت پیچیده این پارامتر می‎تواند چالش‎های عمده‎‍‎ای را برای توسعه مدل‎های پیش‎بینی مناسب ایجاد کند. دو مدل هیبرید براساس ترکیب دو مدل خطی و غیرخطی ساده برای مدل سازی رواناب ماهانه در ایستگاه هیدرولوژیکی ۰۲PL۰۰۵ در حوزه رودخانه سنت لارنس در کشور کانادا پیشنهاد گردیده است. مدل خطی میانگین متحرک اتورگرسیو فصلی SARIMA برای پرداختن به ویژگی‎های خطی و فصلی رواناب پیشنهاد شده است. در حالیکه مدل پرسپترون چند لایه (MLP) و ماشین یادگیری افراطی(ORELM) برای پرداختن به ویژگی‎های غیرخطی داده‎ها از طریق یادگیری ماشین و تشخیص الگو به کار برده شده است. به منظور افزایش دقت مدل سازی در مرحله اول مدل سازی ایستایی و نرمالیته داده‎ها مورد بررسی قرار گرفت و با انجام پیش‎پردازش مناسب داده‎ها برای مدل سازی در بخش خطی آماده گردیدند. سپس با تعریف زیرسناریوهای مختلف و انجام مدل سازی از طریق مدل خطی، بهترین مدل خطی از طریق آماره های ریاضی مختلف شامل MAE، RMSE، R و AIC انتخاب گردید. در مرحله پایانی باقیمانده‎های مدل خطی توسط دو مدل غیرخطی شامل ANN و ORELM مدل سازی گردیدند. مقایسه نتایج مدل‎های هیبرید پیشنهادی نشان داد که مدل هیبرید SARIMA-ORELM با AIC=۲۴۹.۲۹، R=۰.۷۱، MAE=۱۱.۲ و RMSE=۱۴.۳۳  در تمامی معیارهای ریاضی بهتر از مدل SARIMA-MLP عمل می‎کند. همچنین نتایج مدل‎های هیبرید با مدل‎های متداول MLP، ORELM و SARIMA مقایسه گردید.

کلیدواژه ها:

رواناب ماهانه ، مدل هیبرید ، MLP ، ORELM SARIMA