ارزیابی و مقایسه کارآیی مدلهای مختلف یادگیری ماشین در پیشبینی بارش-رواناب

در زمینه مدلسازی بارش - رواناب با استفاده از شبکه های عصبی مصنوعی تحقیقات متعددی انجام یافته است که عمدتا از الگوریتم پس انتشار خطا برای آموزش شبکه های چند لایه استفاده شده است. مدل پیشنهادی یک روش بیش نمونه گیری مبتنی بر شبکه مولد متخاصم برای دو مجموعه داده نامتعادل در کلاس "کم" و "زیاد" برای پیش بینی رواناب طراحی و پیاده سازی می شود. در این پژوهش دو مجموعه داده معتبر برای ارزیابی مدل پیشنهادی و سایر الگوریتم های مقایسه ای معرفی و استفاده می شود. مجموعه داده اول در اینجا CAMELS نام گذاری شده است. این مجموعه داده به صورت واقعی تهیه شده است و در دسترس عموم قرار دارد. مجموعه داده دوم به نام Runoff نام گذاری شده است و به صورت مصنوعی تهیه شده است. در این تحقیق به منظور ارزیابی و مقایسه کارآیی مدلهای مختلف یادگیری ماشین در پیش بینی رواناب از معیارهای معتبر ماتریس درهم ریختگی و ROC استفاده شد. با توجه به نتایج ارائه شده در این تحقیق در مجموعه داده CAMELS مدل (CNN) توانسته به بالاترین میزان دقت (۰.۹۹۹۶۳) در پیش بینی رواناب در این مجموعه داده برسد. همچنین نتایج ارائه شده در این تحقیق در مجموعه داده Runoff نشان می دهد که مدل XGBoost توانسته به بالاترین میزان دقت (۱۹۳۰) در پیش بینی رواناب در این مجموعه داده برسد.

کلیدواژه ها:

مدلسازی بارش - رواناب ، مدلهای یادگیری ماشین ، ماتریس درهم ریختگی (Confusion Matrix) ، منحنی مشخصه عملکرد ، سیستم CNN-KO