Daily Discharge Estimation in Talar River Using Lazy Learning Model

Abstract

توسعه تکنیک های مختلف جهت پیش بینی کوتاه مدت و بلند مدت دبی ساعتی، روزانه، ماهانه و سالانه جریان به منظور مدیریت منابع آب و پروژه‌های عمرانی سابقه طولانی دارد. در دهه های اخیر، تکنیک های یادگیری متعددی به طور گسترده جهت پیش بینی دبی و سایر متغیرهای هیدرولوژیک مورد توجه قرار گرفته اند. پژوهش حاضر با هدف پیش بینی مقادیر دبی روزانه با استفاده از بهینه ترین تعداد داده های ورودی در رودخانه منتهی به رود تالار واقع در حوزه آبخیز کسیلیان انجام گرفت. بدین منظور از سه مدل ثابت (conll.c)، خطی ((linll.c و درجه دو ((quall.c الگوریتم یادگیری محلی کندرو که از کارایی قابل توجهی در شبیه سازی پارامترهای متغیر با داده های ورودی کم برخوردار هستند و هم چنبن با استفاده از سری داده های ورودی 6، 8، 10، 15، 20 روز قبل، یک و دو ماه قبل، یک، دو و سه فصل قبل و در نهایت یک و دو سال قبل استفاده گردید. نتایج به دست آمده از چندین هزار مدل تعلیمی تهیه شده نشان داد که مدل ثابت با داده های دبی روزانه ی 60 روز گذشته با حداقل خطای 001/0 به مقدار واقعی نزدیک تر بوده است. نتایج به دست آمده از مقادیر محاسبه شده RMSE و MAE حاکی از آن است که الگوریتم یادگیری محلی کندرو علی-رغم محدودیت های موجود از جمله حساسیت بسیار بالا به همسایگی، از کارایی بالایی در شبیه سازی سری های زمانی با خطای نسبتا پایین (RMSE کمتر از 06/0) برخوردار می باشد.