%0 Journal Article %T ارزیابی قابلیت رویکرد ترکیبی موجک-تحلیل مؤلفهی اصلی-جنگل تصادفی در شبیه‌سازی جریان رودخانه %J نشریه مهندسی عمران امیرکبیر %I دانشگاه صنعتی امیرکبیر %Z 2588-297X %A آذرپیرا, فریبا %A شهابی, سجاد %D 2021 %\ 09/23/2021 %V 53 %N 7 %P 2837-2850 %! ارزیابی قابلیت رویکرد ترکیبی موجک-تحلیل مؤلفهی اصلی-جنگل تصادفی در شبیه‌سازی جریان رودخانه %K پلرود %K پیش‌پردازش %K جریان روزانه %K زمان شبیه‌سازی %K سری زمانی %R 10.22060/ceej.2020.17520.6589 %X شبیه‌سازی جریان جهت مدیریت تخصیص آب در دوره‌های تر‌سالی و خشکسالی بسیار حائز اهمیت است. با توجه به پژوهش‌هایی که در طول چندین دهه در این خصوص صورت گرفته، روش‌های هوش محاسباتی در ترکیب با موجک، به عنوان روش‌هایی کارآمد شناخته شده‌اند. در این مقاله، رویکرد ترکیبی موجک (W)- تحلیل مؤلفه اصلی (PCA)- جنگل تصادفی (RF)، جهت شبیه‌سازی جریان روزانه‌ی رودخانه‌ی پلرود، پیشنهاد شده است. در مدل پیشنهادی، ابتدا داده‌های هیدرومتری توسط تبدیل موجک ‌پردازش شده و به همراه داده‌‌های هواشناسی به الگوریتم PCA اعمال شدند. سپس بردار‌های خروجی آن به شبکه‌ی جنگل تصادفی وارد گردید. نتایج نشان داد که الگوریتم PCA علی‌رغم کاهش بعد بردار‌های ورودی و ساده‌سازی آن، می‌تواند دقت و سرعت عملکرد مدل را ارتقا بخشد. هم‌چنین، مدل را به‌گونه‌ای منسجم کند که افزایش زمان شبیه‌سازی و عدم‌قطعیت‌ بردار‌های ورودی، بر قابلیت مدل کمتر اثر بگذارد و روند نزولی آن، از شیب هموار‌تری بر‌خوردار باشد. علاوه‌ بر ‌این، پیش‌پردازش داده به همراه PCA، توانسته در زمان شبیه‌سازی یک و سه روز، شاخص توافق را، به ترتیب، 5 و 8 درصد بهبود ببخشد و قابلیت مدل در شبیه‌سازی درست‌تر جریان رودخانه را افزایش دهد. از طرفی، نتایج بهترین مدل ترکیبی در زمان شبیه‌سازی یک روز دارای ضریب همبستگی0/911 و جذر متوسط مربعات خطای 7/095 مترمکعب در ثانیه است که این مقادیر در بهترین مدل ترکیبی برای زمان شبیه‌سازی سه روز به 0/817و 8/681 مترمکعب در ثانیه می‌­رسد، که این موضوع به خوبی قابلیت بسیار مناسب مدل ترکیبی پیشنهادی برای زمان­‌های شبیه‌سازی بلندمدت‌تر را نشان می‌دهد. %U https://ceej.aut.ac.ir/article_4116_1ee240f9d9459f80c3da305ad5edb429.pdf