بهبودعملکرد نرم افزارهای هوش مصنوعی در شبیه سازی بارش- رواناب با استفاده از روش حذف - تزریق نوفه

مدل سازی دقیق فرآیندهای هیدرولوژیکی از قبیل بارش– رواناب می تواند اطلاعات مهمی از یک حوضه آبریز برای مدیریت منابع آب فراهم کند. اخیرا در این راستا، مدل های مختلف جعبه سیاه برای شبیه سازی چنین پدیده پیچیده ای به کاررفته اند. مدل های داده محور وابستگی زیادی به کمیت وکیفیت داده ها دارند و داده های دارای نوفه کارایی مدل ها را تحت تاثیر قرار داده ورفع نوفه از داده ها با استفاده از یک روش مناسب می تواند منجر به کارایی بهترمدل های داده محور شود. لذا دراین مقاله ابتدا با استفاده ازروش رفع نوفه موجکی اقدام به رفع نوفه بد ازسری های زمانی روزانه کرده و سپس با افزودن نوفه خوب به این داده های رفع نوفه شده و تشکیل مجموعه های آموزشی مختلف، شبیه سازی بارش – رواناب برای ایستگاه پل آنیان واقع درحوضه آبریز زرینه رود در بالا دست سد بوکان، با استفاده از مدل های جعبه سیاه ANNو ANFIS انجام شده است. همچنین برای بررسی دقت مدل پیشنهادی، نتایج این مدل سازی ها با مدل های کلاسیک جعبه سیاه ARIMA و MLR مورد مقایسه قرار گرفته است. نتاج نشان می دهند که اعمال هم زمان رفع نوفه موجکی و افزودن نوفه خوب در مدل سازی با ANN بهبود 23 درصدی و در مدل سازی با ANFIS باعث بهبود 14درصدی، در مرحله آزمایش مدل ها شده است.