توسعه مدل های تلفیقی یادگیری ماشین مبتنی بر روش تجزیه مد تجربی گروهی کامل در برآورد جریان ورودی به سد (مطالعه موردی سد دز)

برآورد جریان ورودی به مخزن سدها در برنامه ریزی و مدیریت بهینه منابع آب، تامین آب مورد نیاز بخش های مختلف و مدیریت سیلاب از اهمیت ویژه ای برخوردار است. بنابراین در پژوهش حاضر سعی گردید تا عملکرد مدل های یادگیری ماشین جنگل های تصادفی (RF) و رگرسیون فرآیند گاوسی (GPR) با استفاده از روش پیش پردازش داده های تجزیه مد تجربی گروهی کامل (CEEMD) در برآورد جریان ماهانه ورودی به سد دز در دوره آماری 51-1350 تا 97-1396 مورد بررسی قرار گیرد. بدین منظور الگوهای ورودی در چهار سناریوی مختف شامل استفاده از داده های جریان با تاخیرهای زمانی، ترکیب داده های جریان و بارش با تاخیر های زمانی و اضافه کردن خاصیت تناوبی به دو حالت قبل آماده و به مدل های منفرد معرفی شدند. نتایج نشان داد که هر مدل با سناریوهای متفاوتی به حداکثر دقت خود دست می یابد و در این بین مدل GPR با شاخص RMSE برابر با (m3/s) 49/97 بهترین عملکرد را داشت. پس از تعیین الگوهای برتر ورودی در هر سناریو، داده های مربوطه توسط روش CEEMD تجزیه و فرآیند مدل سازی با روش های RF و GPR انجام شد. بر اساس معیار های ارزیابی، کاهش خطا و افزایش دقت در مدل های تلفیقی توسعه داده شده به طور قابل ملاحظه ای مشهود بود. به طوریکه مدل CEEMD-GPR تواتست مقدار شاخص RMSE را به طور متوسط حدود 47 مترمکعب بر ثانیه کاهش دهد. همین روند برای مدل CEEMD-RF نیز مشاهده شد. به طور کلی عملکرد CEEMD-GPR در مقایسه با کلیه مدل های توسعه داده شده (منفرد یا تلفیقی) مناسب تر بوده و برای پیش بینی جریان ورودی به سد دز توصیه می شود.