%0 Journal Article %T برآورد رواناب ماهانه و فصلی با مدل‌های سری زمانی، درخت تصمیم و رگرسیون خطی چندمتغیره %J مجله پژوهش‌های حفاظت آب و خاک %I دانشگاه علوم کشاورزی و منابع طبیعی گرگان %Z 2322-2069 %A خداخواه, هدیه %A قربانی, خلیل %A سالاری جزی, میثم %A عبدالحسینی, محمد %D 2021 %\ 12/22/2021 %V 28 %N 4 %P 27-52 %! برآورد رواناب ماهانه و فصلی با مدل‌های سری زمانی، درخت تصمیم و رگرسیون خطی چندمتغیره %K رواناب %K پیش‌بینی %K سری‌زمانی %K رگرسیون چند متغیره‌ خطی %K درخت تصمیم گیری M5 %R 10.22069/jwsc.2022.19921.3533 %X سابقه و هدف: از جمله عوامل ‌حائز اهمیت در مدیریت و برنامه‌ریزی منابع آب پیش‌بینی مقدار رواناب می‌باشد. با افزایش دقت در پیش‌بینی رواناب رودخانه مدیریت و برنامه‌ریزی کارآمدتری صورت می‌گیرد بنابراین بهبود مدلسازی پیش‌بینی رواناب امری ضروری است.اولین هدف از این مطالعه ارزیابی کارایی مدلهای رگرسیون چندمتغیره خطی، درخت تصمیم M5 و سری زمانی در پیشبینی رواناب رودخانه است. هدف دوم بررسی مقیاس زمانی مدلسازی (ماهانه و فصلی) و نیز تاثیر ورودی های مدل (یک متغیر با گام های تاخیر و چند متغیر با گامهای تاخیر) بر دقت مدلهای مورد مطالعه است. مواد و روش‌ها: در این پژوهش حوضه آبریز ناورود واقع در غرب استان گیلان جهت منطقه مطالعاتی انتخاب گردیده‌است. داده‌های مورد نیاز دو ایستگاه خرجگیل در سال‌های 1398-1368 و خلیان در سال‌های 1397-1375 شامل دبی، بارش و دما در مقیاس زمانی ماهانه از آب منطقه‌ای استان گیلان جمع‌آوری شده‌است. مقدار رواناب توسط داده‌های دریافت شده در بازه زمانی ماهانه و فصلی با استفاده سه مدل رگرسیون چند متغیره خطی، سری زمانی و درخت تصمیم M5 در دو رویکرد متفاوت پیش‌بینی شده‌است. رویکرد اول متغیرهای ورودی به مدل شامل دبی، بارش و دما با 3 گام تاخیر زمانی و در رویکرد دوم تنها متغیر دبی با 3 گام تاخیر زمانی بوده‌است. شاخص‌های ارزیابی در این پژوهش شامل میانگین انحراف خطا (MBE)، ضریب کارایی نش (NSE) و ضریب تعیین (R^2) می‌باشد.یافته‌ها یافته‌ها: در رویکرد اول و در پنجره زمانی ماهانه مدل درخت تصمیم M5 با شاخص MBE، NSE 04/0-، 80/0 (آموزش) و 01/0، 72/0 (آزمون) در ایستگاه خرجگیل و 01/0-، 79/0 (آموزش) و 00/0، 82/0 (آزمون) در ایستگاه خلیان بعنوان مدل منتخب انتخاب می گردد. در گام زمانی فصلی نیز مقادیر شاخص ها برای مدل درخت تصمیم M5 در ایستگاه خرجگیل برابر . برابر 02/0، 78/0 (آموزش) 02/0-، 86/0 (آزمون) و در ایستگاه خلیان نیز 01/0-، 79/0 (آموزش ) و 00/0، 86/0 (آزمون) می باشد و این مدل در گام زمانی فصلی در رویکرد اول نیز بهترین مدل مورد مطالعه بوده است. رویکرد دوم در هر دو گام زمانی ماهانه و فصلی منجر به یافته های متفاوتی شده است. در رویکرد دوم در گام زمانی ماهانه مقادیر شاخصها برای مدل سری زمانی در دو مرحله آموزش و آزمون در ایستگاه خرجگیل بهترتیب برابر 05/0- ، 47/0 و 10/0، 52/0 و در ایستگاه خلیان برابر با 02/0-، 63/0 و 02/0، 49/0 بوده است. در گام زمانی فصلی نیز مقادیر شاخص های مدل منتخب در دو مرحله آموزش و آزمون در ایستگاه خرجگیل 42/0-، 58/0 و 06/0، 83/0 و خلیان 09/0، 40/0 و 10/0-، 62/0 می باشد. در گام زمانی فصلی نیز مدل سری زمانی مدل منتخب در رویکرد دوم می باشدنتیجه‌گیری: نتایج حاصل از این پژوهش حاکی از آن است که در رویکرد اول در هر دو ایستگاه و در هر دو گام زمانی مدل درخت تصمیم M5 دقت بالاتری در پیش‌بینی نسبت به دو مدل دیگر از خود نشان داده‌است در حالیکه در رویکرد دوم مدل درخت تصمیم نتایج با دقت بالا از خود نشان نمی‌دهد و در مقابل مدل سری زمانی دقت بالاتری نسبت به دو مدل دیگر در هر دو ایستگاه و هر دو گام زمانی داشته‌است. یافته های این مطالعه بر این موضوع تاکید دارد که رویکرد مورد استفاده در انتخاب ورودی های مدل می تواند به شکل کامل موثری دقت مدلسازی و مدل منتخب را تحت تاثیر قرار دهد. %U https://jwsc.gau.ac.ir/article_5949_de6f2a05f13b88e41a748f7128c0af6e.pdf