| پیش‌بینی تراز ماهانه مخزن سد سیمره با استفاده از الگوریتم‌های یادگیری ماشین و تحلیل حساسیت به متغیرهای اقلیمی |
| کد مقاله : 1022-CONFIHA (R1) |
| نویسندگان |
|
مهسا جباری *1، علی فرجی2، محمد بابایی3، شروین فقیهی راد4 1کارشناس پژوهشی، گروه محیط زیست، پژوهشکده مهندسی هیدرولیک و محیط های آبی، موسسه تحقیقات آب وزارت نیرو 2کارشناس میدانی، گروه محیط زیست، پژوهشکده مهندسی هیدرولیک و محیط های آبی ،موسسه تحقیقات آب وزارت نیرو 3مدیر گروه محیط زیست، پژوهشکده مهندسی هیدرولیک و محیط های آبی موسسه تحقیقات آب وزارت نیرو 4مدیر پژوهشکده مهندسی هیدرولیک و محیط های آبی موسسه تحقیقات آب وزارت نیرو |
| چکیده مقاله |
| پیش‌بینی دقیق تراز مخازن نقش مهمی در بهبود بهره‌برداری و مدیریت منابع آب دارد. در این پژوهش، عملکرد پنج الگوریتم یادگیری ماشین شامل ماشین بردار پشتیبان (SVM)، رگرسیون خطی (Linear)، رگرسیون فرآیند گاوسی (GPR)، درخت تصمیم (Tree) و ماشین یادگیری حدی مبتنی بر کرنل (KELM) برای پیش‌بینی یک‌ماه جلوتر تراز مخزن سد سیمره با استفاده از داده‌های ماهانه دوره ۱۳۹۰ تا ۱۴۰۳ ارزیابی شد. سه سناریوی ورودی شامل تراز مخزن (M1)، تراز و دما (M2) و تراز، دما و تبخیر (M3) بررسی شدند. نتایج نشان داد رگرسیون خطی در سناریوی M3 با (R^2=0.8856)، (RMSE=0.0240) و (MAE=0.0146) عملکرد مناسبی ارائه کرد. افزودن دما موجب بهبود قابل‌توجه دقت پیش‌بینی شد، درحالی‌که اثر افزودن تبخیر در الگوریتم‌های مختلف یکسان نبود. همچنین، مقایسه سناریوها نشان داد افزایش تعداد متغیرهای ورودی لزوماً موجب بهبود عملکرد همه مدل‌ها نمی‌شود. در مجموع، نتایج بیانگر اهمیت انتخاب مناسب متغیرهای ورودی و الگوریتم مناسب برای افزایش دقت پیش‌بینی کوتاه‌مدت تراز مخازن و پشتیبانی از تصمیم‌گیری‌های بهره‌برداری است. |
| کلیدواژه ها |
| سد سیمره، تراز مخزن، یادگیری ماشین، پیش‌بینی، دما، تبخیر |
| وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر |
