مدل جنگل تصادفی چندهدفه برای پیش بینی جریان رودخانه با بهبود انتخاب ویژگی مبتنی بر الگوریتم ژنتیک

مطالعه حاضر به توسعه و ارزیابی مدل پیش بینی جریان رودخانه در حوضه آبریز کشکان پرداخته است. هدف اصلی پژوهش، بهبود دقت پیش بینی دبی جریان در ایستگاه های هیدرومتری کشکان-افرینه و کشکان-پلدختر با استفاده از مدل جنگل تصادفی و انتخاب ویژگی های موثر از طریق الگوریتم ژنتیک، همراه با اعتبارسنجی متقاطع k بخشی است. داده های مورد استفاده شامل مشاهدات سه ایستگاه هیدرومتری و نه ایستگاه هواشناسی می باشد. مدل جنگل تصادفی با میانگین گیری از پیش بینی های مجموعه ای از درختان تصمیم، قادر به شناسایی الگوهای پیچیده، روابط غیرخطی و جلوگیری از بیش برازش است. نتایج نشان داد برخی ورودی ها مانند دبی ایستگاه کاکارضا همبستگی بسیار بالایی (۹۷/۰) با متغیر هدف دارند که نقش کلیدی در افزایش دقت مدل داشته و حذف آن ها منجر به کاهش قابل توجه عملکرد مدل شد. در سناریوی استفاده از تمام ویژگی ها، R۲ برای ایستگاه کشکان-پلدختر و کشکان-افرینه به ترتیب ۹۱/۰ و ۹۵/۰ به دست آمد که بیانگر قدرت تعمیم پذیری مناسب مدل است. خطاهای پیش بینی دارای میانگین نزدیک به صفر و انحراف معیار پایین بودند و پراکندگی خطاها حدود صفر بود.حذف داده دبی کاکارضا باعث کاهش همبستگی ورودی ها به حدود ۶۴/۰ و افت محسوس عملکرد مدل شد به طوری که R² برای کشکان-پلدختر به ۷۲/۰ و کشکان-افرینه به ۷۳/۰ رسید در حالی که مقادیر RMSE و MSE به طور قابل توجهی افزایش یافتند. این یافته ها اهمیت انتخاب دقیق ویژگی ها و بهره گیری از ایستگاه های کلیدی هیدرومتری را نشان داده و ترکیب RF با انتخاب ویژگی های موثر و اعتبارسنجی متقاطع k بخشی را به عنوان روشی کارآمد برای پیش بینی در حوضه های داده محدود تایید می کند.

کلیدواژه ها:

الگوریتم ژنتیک ، انتخاب ویژگی ، پیش بینی جریان ، جنگل تصادفی چند هدفه ، مدل سازی هیدرولوژیکی