پیش بینی جریان ماهیانه رودخانه با استفاده از مدل های داده مبنا

در سال های اخیر، تکنیک های مدل سازی داده مبنا کاربردهای فراوانی در مطالعات هیدرولوژی و مهندسی منابع آب یافته اند. توسعه مدل های برآورد یا پیش بینی رواناب رودخانه، یکی از زمینه های مطالعاتی است که این تکنیک ها در آن کاربرد زیادی دارند. در مطالعه حاضر، چهار تکنیک مدل سازی داده مبنا، شامل رگرسیون خطی چندگانه، K نزدیک ترین همسایه، شبکه های عصبی مصنوعی و سیستم های استنتاج عصبی - فازی تطبیقی به منظور تشکیل مدل های پیش بینی رواناب مورد استفاده قرار گرفته و نتایج حاصل بررسی شده است. همچنین تاثیر انتخاب چند سناریوی مختلف در انتخاب متغیرهای ورودی ارزیابی شده است. نتایج به دست آمده حاکی از آن است که استفاده از داده های جریان ماه های قبل در مجموعه داده های مورد استفاده جهت پیش بینی می تواند سبب بهبود دقت نتایج مدل ها شود. به علاوه، مقایسه عملکرد کلی تکنیک های مدل سازی، بیانگر برتری نتایج حاصل از به کارگیری تکنیک KNN نسبت به سایر تکنیک ها می باشد. در میان مدل های برگزیده تکنیک های مختلف نیز، مدل برگزیده KNN برای حالت استفاده از داده های جریان با ضریب همبستگی خطی 84/0 بین داده های مشاهداتی جریان و پیش بینی های مدل و مقدار شاخص خطای RMSE برابر 64/2 بهترین عملکرد را به نمایش گذاشت.