بهبود دقت پیشبینی بلندمدت جریان ورودی به سد بوکان بر مبنای الگوریتم های یادگیری ماشین

پیشبینی جریان کمک شایانی به مدیران بخش در جهت برنامه ریزی و تصمیم گیری بهینه در خصوص مدیریت بهتر منابع آب میکند. در این تحقیق سعی شده است با استفاده از مدلهای ترکیبی دادهمحور، مدل پیشبینی جریان ماهانه ورودی به سد بوکان تا افق پیشبینی 6 ماه آینده توسعه داده شود. برای این کار، ابتدا از الگوریتم پیش پردازش انتخاب متغیر جنگل تصادفی به منظور انتخاب متغیرهای پیشبینی کننده مناسب استفاده شد. سپس مدلهای داده محور شامل MLR، KNN و SVR متناسب با متغیرهای انتخابی، پیاده سازی شد. نتایج این پژوهش نشان داد که بهترین عملکرد را مدل ترکیبی RF-SVR در پیشبینی جریان ماهانه ورودی به سد بوکان برای افقهای پیشبینی مختلف در مقایسه با دو مدل ترکیبی دیگر RF-MLR) و (RF-KNN دارد. علاوه بر این، نتایج نشان داد که متغیر باران با درصد احتمال مشارکت 28 درصد، بیشترین تأثیرگذاری را بر پیشبینی پذیری جریان ماهانه ورودی به سد بوکان داشته است.