پیش‌بینی جریان ماهانه رودخانه با استفاده از رویکردهای آنتروپی شانون و موجک (مطالعه موردی: رودخانه مارون)

جریان رودخانه از مهمترین اجزاء چرخه هیدرولوژی است که به عوامل اقلیمی متعددی وابسته بوده و برآورد دقیق آن در زمینه-های مختلف مدیریت منابع آب کاربرد دارد. در مطالعه حاضر از مدل‌های جنگل‌های تصادفی (RF) و ماشین بردار پشتیبان (SVM) برای پیش‌بینی جریان ماهانه رودخانه مارون در دوره آماری 1360 تا 1396 استفاده گردید. یکی از مراحل مهم در کاربرد مدل‌های هوش مصنوعی تعریف الگوهای ورودی و شناسایی پارامترهای موثر در فرآیند مدل‌سازی است. برای انتخاب بهینه‌ترین ورودی‌ها از بین بارش، تبخیر و دماهای کمینه، بیشینه و متوسط روش آنتروپی شانون استفاده شد. نتایج نشان داد که وزن بارش و تبخیر در مجموع بیش از 85 درصد بود. در گام بعد، سه ساختار متفاوت برای ورودی مدل‌ها توسعه داده شد. در حالت اول الگوهای اقلیم‌پایه تعریف شدند که از داده‌های هواشناسی به عنوان ورودی استفاده می‌کردند. در حالت دوم خاصیت تناوبی غیرخطی به الگوهای اقلیم‌پایه افزوده شد و در حالت سوم داده‌های ورودی اقلیم‌پایه با استفاده از پنج تابع موجک مادر تجزیه شده و مدل‌های هیبریدی W-RF و W-SVM ایجاد شدند. عملکرد مدل‌های منفرد RF و SVM نشان داد که با افزودن ترم پریودیک، دقت در مقایسه با ورودی‌های اقلیم پایه تا حدودی افزایش می‌یابد، اما تجزیه داده‌ها با تئوری موجک به طور قابل ملاحظه‌ای خطای مدل‌سازی را کاهش داد. در این بین عملکرد دو مدل W-RF و W-SVM بسیار نزدیک به یکدیگر بود، اما با توجه به نمودار ویلونی، مدل W-SVM به عنوان مناسب‌ترین گزینه برای پیش‌بینی جریان ماهانه رودخانه مارون پیشنهاد می‌گردد.