پیش بینی ورودی روزانه سد سفیدرود با استفاده از تاخیرریتم XGBoost: یک رویکرد داده محور برای کشف و تفسیر تاخیرهای هیدرولوژیکی

پیش بینی دقیق ورودی سد (IFR) برای بهینه سازی بهره برداری، مدیریت تقاضاهای رقابتی (کشاورزی، برق آبی، زیست محیطی) و کنترل سیل حیاتی است. رویکردهای کلاسیک مبتنی بر قوانین ثابت و مدل های بهینه سازی اغلب در ثبت پیچیدگی های تاخیرهای هیدرولوژیکی ناتوان هستند. این پژوهش یک چارچوب جامع داده محور مبتنی بر یادگیری ماشین (ML) برای پیش بینی IFR روزانه ارائه کرد. این پژوهش فراتر از پیش بینی صرف، به دنبال تفسیر و درک عوامل موثر بر ورودی با استفاده از تکنیک های هوش مصنوعی توضیح پذیر (XAI) است. داده های روزانه مربوط به ۱۹ سال (۷۱۷۰ روز) شامل ورودی (IFR)، خروجی (OFR)، تراز آب مخزن (RWL)، حجم مخزن (RSV) و بارش (P) استفاده شد. پس از پیش پردازش و مهندسی ویژگی برای جلوگیری از نشت اطلاعات، تاخیرریتم XGBoost برای مدل سازی به کار گرفته شد. برای رفع ماهیت "جعبه سیاه" مدل، از تکنیک SHAP برای تفسیر پیش بینی ها و شناسایی تاثیر هر ویژگی بر ورودی استفاده شد. مدل XGBoost بهینه شده در دوره آزمون به ضریب کارایی نش-ساتکلیف (NSE) برابر با ۰.۹۶۸، ضریب کارایی کلینگ-گوپتا (KGE) برابر با ۰.۹۴۶ و ریشه میانگین مربعات خطا (RMSE) برابر با ۰.۸۱ میلیون مترمکعب (MCM) دست یافت. تحلیل SHAP نشان داد که ورودی روز قبل (IFR_log_lag۱)، قوی ترین پیش بینی کننده بود. تحلیل وابستگی متقابل نشان داد که تاثیر بارش بر ورودی به فصل سال بستگی دارد. چارچوب پیشنهادی نه تنها یک ابزار پیش بینی دقیق، بلکه یک "آینه تحلیلی" برای تاخیرهای هیدرولوژیکی است.

کلیدواژه ها:

پیش بینی IFR سد ، XGBoost ، هوش مصنوعی توضیح پذیر (XAI) ، تفسیر تاخیرهای هیدرولوژیکی ، سد سفیدرود