مقایسه مدل های باکس جنکینز با الگوریتم های یادگیری ماشین به منظور مدل سازی آبدهی جریان(مطالعه موردی: حوزه آبخیز طالقان)

این پژوهش با هدف مقایسه عملکرد مدل های ARIMA، SARIMA، ELM و XGBoost در مدل سازی و پیش بینی آبدهی جریان ماهانه در حوزه آبخیز طالقان انجام شد. داده ها شامل سری های زمانی دبی متوسط ماهانه پنج ایستگاه هیدرومتری شامل جوستان، مهران جوستان، دهدر، گته ده و علیزان جوستان در دوره سی ساله آبی از ابتدای سال آبی ۱۳۶۸ تا اواخر سال آبی ۱۳۹۸ بود. داده ها به نسبت ۸۰٪ آموزش و ۲۰٪ آزمون تقسیم شدند و مدل ها با چهار ترکیب ورودی مختلف شامل ۱ تا ۴ ماه گذشته آموزش دیده و ارزیابی گردیدند. عملکرد مدل ها با معیارهای ریشه میانگین مربعات خطا، خطای مطلق میانگین، ضریب نش ساتکلیف و ضریب همبستگی سنجیده شد. نتایج نشان داد در اکثر ایستگاه ها و به ویژه در ایستگاه جوستان مدل های یادگیری ماشین به طور قابل توجهی دقیق تر از مدل های کلاسیک عمل کردند. مدل XGBoost با ضریب نش ساتکلیف ۹۷۸/۰در مجموعه آموزش و ۹۶۱/۰ در مجموعه آزمون برای ایستگاه جوستان با ترکیب چهار بهترین عملکرد را داشت. افزایش ماه های ورودی دقت پیش بینی را بهبود بخشید. به عنوان مثال با افزایش تعداد ماه های گذشته به عنوان ورودی از ۱ به ۴ دقت مدل XGBoost در مرحله آزمون با بهبود ۲.۱ درصدی ضریب نش ساتکلیف از ۹۴/۰ به ۹۶/۰ و کاهش ۲/۶ درصدی ریشه میانگین مربعات خطا از ۱۶/۰ به ۱۵/۰ به طور معناداری ارتقا یافت. استفاده از مدل های یادگیری ماشین ابزاری موثر برای مدل سازی، پیش بینی آبدهی جریان و مدیریت منابع آب است. تحقیقات آتی می تواند بر توسعه مدل های ترکیبی و ادغام داده های اقلیمی متمرکز شود.

کلیدواژه ها:

پیش بینی آبدهی جریان ، مدل ARIMA ، مدل ELM ، مدل SARIMA ، مدل XGBoost