بهبود پیش‌بینی رواناب از طریق مهندسی ویژگی و مدل‌سازی خوشه‌محور

Abstract

مدل های مبتنی بر داده در هیدرولوژی، به ویژه برای پیش بینی رواناب، به علت توانایی آن ها در مدل سازی روابط پیچیده، به طور گسترده ای مورد استفاده قرار گرفته اند. این مطالعه رویکردی جامع را پیشنهاد می دهد که مهندسی ویژگی و مدل سازی خاص خوشه را با استفاده از الگوریتم جنگل تصادفی ترکیب می کند تا دقت پیش بینی رواناب را افزایش دهد. در مرحله نخست، مجموعه ای گسترده از ویژگی ها از داده های هواشناسی و هیدرولوژیکی استخراج شد. این ویژگی ها سپس از طریق تحلیل اهمیت ویژگی فیلتر شده و موثرترین آن ها برای مدل سازی انتخاب شدند. در مرحله دوم، حوضه های آبخیز بر اساس شباهت در رفتار رواناب شان خوشه بندی شدند و برای هر خوشه، یک مدل جنگل تصادفی مجزا آموزش داده شد. این رویکرد مبتنی بر خوشه بندی به مدل اجازه می دهد تا بهتر با تفاوت های ساختاری و رفتاری در بین حوضه ها سازگار شود. نتایج نشان داد که مدل های خاص خوشه در مقایسه با مدل کلی، دقت بالاتری در پیش بینی رواناب دارند. ترکیب مهندسی ویژگی و مدل سازی خاص خوشه باعث کاهش قابل توجه خطاها و افزایش همبستگی بین مقادیر مشاهده شده و پیش بینی شده شد. این یافته ها نشان می دهند که رویکرد پیشنهادی می تواند ابزاری موثر برای بهبود پیش بینی رواناب، به ویژه در مناطق دارای تنوع بالا در ویژگی های هیدرولوژیکی و اقلیمی باشد.