مقایسه عملکرد مدل SARIMA و شبکه عصبی GRNN در مدل سازی و پیش بینی جریان رودخانه شاهرود

در دهه های اخیر با توجه به ازدیاد جمعیت از یک سو و محدودیت منابع آب از طرف دیگر، استفاده بهینه از منابع آب مورد توجه قرار گرفته است. شبیه سازی و پیش بینی هر چه دقیق تر دبی جریان و تغییرات آن در طول رودخانه از ارکان اساسی برنامه ریزی و مدیریت منابع آبهای سطحی می باشد. در این پژوهش از یک مدل استوکاستیک و یک مدل مبتنی بر هوش مصنوعی جهت شبیه سازی و پیش بینی دبی جریان رودخانه شاهرود در استان گیلان بهره گرفته شد. برای این امر از داده های ماهانه بلند مدت ثبت شده در ایستگاه هیدرومتری لوشان به مدت 50 سال بهره گرفته شد. 49 سال از این دوره جهت شبیه سازی و اعتبازسنجی، و 12 ماه آخر برای سنجش دقت دو مدل در پیش بینی روبه جلو انتخاب گردیدند. داده ها نرمال، ایستا و حذف روند شده و پس از خروج از مدل SARIMA و همچنین شبکه عصبی GRNN بهوسیله معیارهای SBC، R، RMSE و MSE سنجیدهشدند که نتایج بیانگر دقت بالای هردومدل بود. سرانجام مدل SARIMA(2,0,0)(3,1,3)*12 که در بین مدلهای فصلی سری زمانی بعنوان مدل برگزیده شناخته شده بود، با RMSE=0.42 و R=0.91 در شبیهسازی، و RMSE=0.38 و R=0.87 در پیشبینی روبه جلو، نسبت به GRNN دارای دقت مطلوب تری بود. برای GRNN مقادیر RMSE در دوره شبیه سازی و پیش بینی به ترتیب برابر با 0.45 و 0.513، و R برابر با 0.90 و 0.85برآورد شد که با اندکی تفاوت به نسبت SARIMA، عملکردی قابل قبول در شبیه سازی و پیشبینی جریان ماهانه این رودخانه نشان داد.

کلیدواژه ها:

رودخانه ، دبی جریان ، پیشبینی درازمدت ، GRNN ، .SARIMA