توصيفگر ها :
تكنيك‌هاي چندمدلي تجميع يافته , مدل شبيه ساز , چلگرد , باياس , BWM , AHP
چكيده فارسي :
استفاده از اطلاعات جمعي يك حس مشترك در تصميم‌گيري حرفه‌اي است. يكي از مهم‌ترين موضوعات در ميان پژوهشگران، حذف عدم قطعيت‌ها در مدل‌هاي شبيه‌ساز هيدرولوژيكي مي‌باشد. كاربرد تكنيك¬هاي تركيبي، يكي از مهم‌ترين روش‌ها براي بهبود نتايج شبيه‌سازي است. اين پژوهش بر انتخاب بهترين تكنيك‌هاي تركيب چند¬مدلي تمركز دارد كه متعاقباً براي شبيه‌سازي جريان در زيرحوضه چلگرد، واقع در حوضه آبريز زاينده¬رود مورد استفاده قرار مي‌گيرد. بنابراين، از چهار تكنيك چند¬مدلي تجميع¬يافته توسعه داده¬شده شامل: SMA، WAM، MMSE و M3SE استفاده مي¬شود كه داده¬هاي ورودي در اين تكنيك¬ها، از خروجي پنج مدل تكي: ANN، RBF، HEC-HMS، LS-SVM و MLR كه در بازه¬ي 1 آگوست 1995 تا 20 مارس 2010 قرار دارند، استخراج مي-گردد. همچنين، به ارتقاء تكنيك چندمدلي تجميع¬يافته پرداخته مي¬شود. براي اينكار، با استفاده از دو روش وزن¬دهي اعم از: فرآيند تحليل سلسله مراتبي (AHP) و بهترين- بدترين معيار (BWM)، وزن هر كدام از مدل¬هاي تكي از لحاظ برتري معيار¬هاي كمي و كيفي تعيين و در روش چندمدلي تجميع¬يافته، بكار مي¬رود. در روش ديگر، با حذف باياس از داده¬هاي ورودي (كه از طريق سه تكنيك: حذف داده¬هاي پرت، جايگزاري ميانگين داده¬هاي غيرپرت با داده¬هاي پرت و تكنيك اصلاح باياس LS انجام مي¬شود)، مجدداً روش-هاي WAM، MMSE و M3SE اجرا مي¬شود و نتايج خروجي از اين روش¬ها، با تكنيك‌هاي چند¬مدلي تجميع¬يافته مقايسه مي¬گردد. نتايج پژوهش نشان داد كه تكنيك‌هاي چند¬مدلي تجميع¬يافته توسعه داده¬شده، معيار RMSE را در مقايسه با بدترين مدل تكي (HEC-HMS) در دوره آموزش بين 78% - 59% و در دوره آزمون بين 67% - 44%، بهبود مي‌بخشند. از سوي ديگر، ميزان بهبود خطاي معيار NSE در مقايسه با بدترين مدل¬تكي در دوره آموزش و آزمون، به ترتيب بين 46% - 43% و 49% - 44% بوده است. همچنين تكنيك‌هاي چند¬مدلي تجميع¬يافته توسعه داده¬شده، خطاي مدل¬سازي را در معيار RMSE و در مقايسه با بهترين مدل تكي (LS-SVM) در دوره آموزش، بين 32/9% - 9/8% و در معيار NSE حدود 2% بهبود مي¬بخشند. از طرفي، در دوره آزمون معيارهاي NSE و RMSE، عملكرد ضعيف¬تري نسبت به بهترين مدل¬تكي داشتند (حدود 4% خطا را افزايش دادند). در بين روش¬هاي ارتقاءيافته، روش-هايي كه اقدام به حذف داده¬هاي پرت كرده بودند، در تمامي دوره¬ها از مدل¬هاي تجميع¬يافته توسعه داده¬شده خطاي كمتري را به ثبت رساندند. به طوري كه RMSE را در مقايسه با MMSE و M3SE، در دوره آموزش بين 16% - 13% و در دوره آزمون بين 28% - 16%، بهبود مي‌بخشند. همچنين ميزان بهبود NSE در دوره آموزش و آزمون، تقريباً برابر با 11/0% و 2% بوده است. دو روش BWM و AHP در مرحله آزمون از تمام مدل¬هاي تجميع¬يافته توسعه داده¬شده موفق¬تر بودند، در حالي كه در مرحله آموزش، فقط از دو روش SMA و WAM عملكرد بهتري را ثبت كردند.
چكيده انگليسي :
Using collective information for decision-making is common sense in professional decision-making. One of the most important issues among researchers is the elimination of uncertainties inherited in hydrological simulation models. The application of the combination technique is one of the most important approaches to improve results of simulations. This paper focuses on the selection of the best multimodel combination techniques that is subsequently used for simulation of flow in Chelgerd sub-basin in Zayandehroud watershed. Four different multimodel combination techniques, viz., Simple Model Average (SMA), Multimodel Superensemble (MMSE), Modified Multimodel Superensemble (M3SE), and Weighted Average Method (WAM), are compared using data of five hydrological models, ANN, RBF, HEC-HMS, MLR and LS-SVM. We also have examined two procedures of determining the weights within a multimodel algorithm using analytic hierarchy process (AHP) and best worst method (BWM). In other methods, after removing the bias from the input data, we implement WAM, MMSE and M3SE methods and the output results are compared with multimodel combination techniques. Error improvement rate in multimodel combination techniques for calibration and validation period ranges %59 - %78 and %44 - %67, respectively. This error improvement for RMSE compared to the worst single model (HEC-HMS) at the training period and validation period, were %43 - %46 and %44 - %49, respectively. Also, multimodel combination techniques improve the NS error compared to the best single model (LS-SVM) at the training period from %8.90 to %9.32. This measure is approximately equal to %2 for the RMSE criterion. In the validation period, NS and RMSE error criteria were slightly larger than the best single model (LS-SVM). Among the multimodel combination, MMSE and M3SE had better performance than SMA and WAM. Among the developed methods, the methods which removed bias were recorded less error from the multimodel combination techniques. So that the RMSE error compared with MMSE and M3SE improves the training period between 17 % - 13 % and during the validation period between %27 - %16. Furthermore, the NS error recovery rate was approximately equal to %11 and %2 in the training period. Two BWM and AHP methods were more successful in the validation of all of the multimodel combination techniques. Whereas in the training phase, only two WAM and SMA methods have lower error.
