ارزیابی عملکرد مدل‌های یادگیری ماشین و دستوالعمل‌های بهینه‌سازی برای پیش‌بینی آب‌دهی رود کشکان

مقدمه و هدفشبیه‌سازی آبدهی رود در ایستگاه‌های آب‌سنجی به‌منظور آگاهی از آب‌دهی رود در دوره‌های زمانی آینده از مسائل مهمی است که معمولاً به‌وسیلة سری‌های زمانی آب‌شناختی مرتبط با همان ایستگاه انجام می‌شود. به‌منظور پیش‌بینی آب‌دهی رود با بیشترین دقت از سه گروه بزرگ شامل روش‌های تجربی و آماری، مفهومی و فرایند-محور استفاده می‌شود. از جمله روش‌های داده-محور، روش‌های مبتنی بر پایة هوش مصنوعی هستند. هدف این پژوهش، بررسی عملکرد مدل‌های یادگیری ماشین شامل: SVM وANFIS ، ANN و بررسی عملکرد مدل آموزش داده‌شدۀ شبکة عصبی با دستورالعمل‌های بهینه‌سازی نهنگ (WOA) و دستورالعمل ازدحام ذرات (PSO) در پیش‌بینی آب‌دهی رود بود. افزون بر ارزیابی مدل‌های هوشمند، تأثیر استفاده از دستورالعمل‌های بهینه‌سازی بر دقت پیش‌بینی آب‌دهی رود بررسی شد. از آنجایی که برای استفاده از مدل‌های داده-محور، داده‌های ورودی تأثیر قابل توجهی بر عملکرد مدل‌ها دارند، ازاین‌رو سنجه‌های مؤثر بر آب‌دهی رود مشخص شد و بهترین ترکیب متغیرهای ورودی برای هر مدل تعیین شد. مواد و روش‌هادر این پژوهش، به‌منظور پیش­بینی آب‌دهی روزانه در ایستگاه آب‌سنجی پل‌دختر واقع بر رود کشکان، داده‌های آب‌دهی رود و بارش مربوط به سال‌های 1397-1350 تهیه شد. از مدل‌های هوشمند ساختار استنتاج فازی عصبی (ANFIS) و ساختار بردار پشتیبان (SVM)، شبکة عصبی مصنوعی (ANN)، مدل ترکیبی شبکة عصبی و دستورالعمل ازدحام ذرات (ANN-PSO) و مدل ترکیبی شبکة عصبی و دستورالعمل نهنگ (ANN-WOA) استفاده شد. در دو مدل ترکیبی تلاش شد که سنجه‌های شبکة عصبی با استفاده از دستورالعمل‌های فراابتکاری تنظیم شوند و تأثیر آن بر عملکرد مدل ANN بررسی شود. هم‌چنین، در این پژوهش، تأثیر داده‌های آب‌دهی رود و بارش همراه با تأخیرهای زمانی (داده‌های مربوط به روزهای گذشته) و ترکیبی از این سنجه‌ها به‌عنوان ورودی مدل‌ها بررسی شد. به‌منظور تعیین بهترین ترکیب متغیرهای ورودی، روش‌های آماری تابع همبستگی خودکار (ACF) و تابع همبستگی خودکار جزئی (PACF) و ضریب همبستگی پیرسون (PCC) به‌کارگرفته شد. پس از اعمال ورودی‌های مؤثر و آموزش مدل‌های هوشمند نامبرده، با مقایسة اندازه‌های RMSE، R2 و NE، عملکرد آن‌ها در پیش‌بینی آب‌دهی رود بررسی شد.نتایج و بحثنتایج بررسی همه مدل‌ها در این پژوهش نشان داد که آب‌دهی یک (Q-1)، دو (Q-2) و سه (Q-3) روز گذشته و بارش یک روز گذشته (P-1)، بیش‌ترین همبستگی را با آب‌دهی روزانه رود نشان داد. به‌طور کلی، برای مدل کردن آب‌دهی رود در آبخیز کشکان دقت همه مدل‌ها قابل قبول بود. بر اساس نتایج به‌دست آمده، بیشترین دقت برای پیش‌بینی آب‌دهی روزانه جریان مربوط به مدل ANN-WOA با بیش‌ترین اندازة ضریب تبیین (0/896 R2=) و ضریب نش-‌ساتکلیف (0/803 NE=) و کمترین اندازة خطا (0/0186RMSE= )، بود. پس از آن، مدل SVM با ساختار تابع کرنل پایه شعاعی و اندازه‌های 4C=، 1  =و 0/001  =با اندازة ضریب تبیین (0/895 R2=)، ضریب نش‌-ساتکلیف (0/801 NE=) و اندازة خطا (0/0187RMSE= )، عملکرد بهتری نشان داد و مدل‌های ANN-PSO و ANN نیز به‌ترتیب در رده‌های سوم و چهارم بودند. نتایج بیانگر آن بود که استفاده از دستورالعمل‌های بهینه‌سازی فرابتکاری دقت مدل ANN را افزایش داد و می‌توان از آن برای آموزش شبکه استفاده کرد. بررسی ساختارهای گوناگون ANFIS نشان داد برای مدل‌سازی آب‌دهی رود منطقة مطالعه‌شده عملکرد توابع مثلثی و گوسی بیشتر بود. از سوی دیگر، خطای این مدل با اندازه‌های 023/0RMSE= و 76/0NE= در مقایسه با دیگر مدل‌ها بیشتر بود.نتیجه‌گیری و پیشنهادهانتایج این پژوهش نشان داد برای پیش‌بینی آب‌دهی رود دقت مدل‌های یادگیری ماشین مانند SVM،ANFIS  و ANN قابل قبول بود. تنظیم سنجه‌های شبکة عصبی با استفاده از دستورالعمل‌های بهینه‌سازی مانند WOA و PSO تأثیر بسزایی در بهبود عملکرد این مدل داشت. سرانجام می‌توان گفت این مدل‌ها می‌توانند جایگزین مناسبی برای مدل‌های مفهومی و آب‌شناختی در حل مسائل آب‌شناختی و آب‌دهی باشند. پیشنهاد می‌شود دو مدل SVM و ANFIS با استفاده از دستورالعمل PSO و WOA آموزش‌داده شود و سپس نتایج با یافته‌های این پژوهش مقایسه شود.