پیش بینی جریان روزانه رودخانه نوران چای با استفاده از مدل ترکیبی شبکه های عصبی مصنوعی- تجزیه مولفه های اصلی

پیش­­بینی دقیق جریان روزانه، نقش به­سزایی در مدیریت کارآمد منابع آب ایفا می­کند. به این منظور در این تحقیق سعی شده است که جهت مدل­سازی هرچه دقیق­تر فرآیند پیش بینی جریان روزانه رودخانه نوران­چای واقع در حوضه آتشگاه، از شبکه­های عصبی مصنوعی (ANN) استفاده ­گردد. همچنین به منظور افزایش کارآیی ANN از تجزیه مولفه های اصلی (PCA) جهت پیش پردازش داده­های ورودی استفاده گردیده و درنهایت داده­های خروجی حاصل، با نتایج مدل رگرسیون خطی چند متغیره (MLR) مقایسه شده است. نتایج نشان داد که مدل ترکیبی ANN-PCA در قیاس با مدل ANN منفرد و MLR از دقت بسیار بالایی برخوردار است. به­طوری­که نتایج معیارهای ارزیابی شامل ضریب همبستگی (CC)، ضریب راندمان (EC) و جذر میانگین مربعات خطاها (RMSE) برای مدل ترکیبی ANN-PCA (در مرحله صحت­سنجی) برابر ۹۹۵۹/۰=CC، ۹۹۰۵/۰=EC و ۰۰۷۱/۰=RMSE، مدل ANN منفرد (در مرحله صحت­سنجی) برابر ۹۰۹۳/۰=CC، ۸۲۶۹/۰=EC و ۰۴۰۵/۰=RMSE و مدل MLR برابر ۸۸۶۶/۰=CC، ۷۸۶۰/۰=EC و ۰۹۲۶/۰=RMSE به دست آمدند. همچنین استفاده از PCA به عنوان یک روش موثر جهت پیش پردازش داده­ها، با ایجاد مولفه های مستقل از هم موجب از بین رفتن هم خطی چندگانه می­شود. بنابراین PCA موجب افزایش کارآیی مدل ANN می­گردد.