توسعه مدل مبتنی بر یادگیری ماشین جهت پیش بینی جریان رودخانه: مطالعه موردی رودخانه دز

پیش بینی دقیق جریان رودخانه به عنوان یکی از مولفه های کلیدی در مدیریت منابع آب نقش حیاتی در برنامه ریزی و تصمیم گیری های مرتبط با تخصیص و بهره برداری بهینه از منابع آبی ایفا می کند. با توجه به تاثیر فعالیت های انسانی و تغییرات اقلیمی بر سیستم های هیدرولوژیکی، رفتار رودخانه ها به صورت غیرخطی و غیرساده دچار تغییر شده است. در این پژوهش، با استفاده از داده های ماهانه رودخانه دز در استان خوزستان، عملکرد پنج مدل یادگیری ماشین شامل جنگل تصادفی (Random Forest)، نزدیک ترین همسایگان (KNN)، گرادیان تقویتی (AdaBoost)، گرادیان تقویتی (XGBoost)، گرادیان تقویتی (GB) در پیش بینی جریان، مورد بررسی قرار گرفت. داده ها پس از تکمیل فرآیندهای خطا به مجموعه آموزشی و آزمایشی تقسیم شدند. ارزیابی مدل ها با استفاده از معیارهای آماری شامل میانگین مربعات خطا (MSE)، ریشه میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) و ضریب تعیین (R²) انجام شد. نتایج نشان داد که مدل XGBoost با کمترین خطا (MSE: ۲.۴۷E-۰۵) و بالاترین

کلیدواژه ها:

هیدرولوژی ، منابع آب ، یادگیری ماشین ، پیش بینی جریان ، رودخانه دز