ارزیابی مدل ترکیبی برآورد رواناب ماهانه با استفاده از ماشین بردار پشتیبان بر اساس تجزیه مد متغیر به همراه الگوریتم بهینه سازی نهنگ (حوضه مطالعاتی مشهد)

بحران کمبود آب یکی از چالش های مهم قرن حاضر است که نیازمند رویکردهای نوین برای مدیریت پایدار منابع آب می باشد. پیش بینی دقیق رواناب، به عنوان عنصری کلیدی در این مدیریت، نقشی حیاتی در برنامه ریزی و تصمیم گیری های مرتبط ایفا می کند. این پژوهش با هدف بهبود دقت پیش بینی رواناب ماهانه در حوضه مطالعاتی مشهد، رویکردی ترکیبی شامل پیش پردازش داده، مدل های هوشمند و الگوریتم های بهینه سازی را به کار گرفته است. با توجه به وابستگی شدید مدل های داده محور به انتخاب مدل مناسب، روش های پیش پردازش، کیفیت داده های ورودی و طول دوره آماری، دراین تحقیق به بهینه سازی و تعیین اثر این عوامل بر صحت پیش بینی رواناب ماهانه پرداخته شده است. بدین منظور، از روش پیش پردازش تجزیه مد متغیر VMD برای بهبود کیفیت داده ها و از مدل رگرسیون ماشین بردار پشتیبان SVRو شبکه عصبی حافظه طولانی کوتاه مدت LSTM برای مدل سازی رابطه بین ورودی ها و خروجی استفاده شده است. همچنین، الگوریتم بهینه ساز نهنگ WOA برای یافتن پارامترهای بهینه مدل ها به کار رفته است. در این مطالعه، مدل ترکیبی VMD-WOA-SVR-WOA معرفی و کارایی آن در پیش بینی رواناب با مدل های ساده و بهینه شده SVR و LSTM با سه سناریو داده ورودی مختلف (نوع و تاخیر زمانی متفاوت) مقایسه شده است. داده های مورد استفاده شامل داده های بارش، دما، تبخیر و دبی با دوره آماری ۵۴ ساله (۱۳۴۷-۱۴۰۱) بوده است. نتایج پژوهش بر اساس معیارهای ضریب تعیین R²، میانگین مطلق خطا MAE و ریشه میانگین مربعات خطا RMSE، عملکرد بسیار خوب مدل VMD-WOA-SVR-WOAرا در پیش بینی رواناب نشان می دهد. این مدل بادقت میانگین (۰.۹۶۹=R۲) و(۰.۲۱۲=RMSE) و (۰.۱۲۷=MAE) در مرحله آزمایش و بادقت میانگین (۰.۹۶۹=R۲) و (۰.۰۳=RMSE) و (۰.۰۲۲=MAE) در مرحله اعتبارسنجی بهترین عملکرد را در بین مدل های مورد بررسی داشته است.

کلیدواژه ها:

مدل سازی بارش-رواناب ، رگرسیون بردار پشتیبان ، پردازش سیگنال ، بهینه ساز