مدل سري زماني SARIMAX بهسازي شده بر مبناي روش شبكه عصبي براي مدلسازي هاي هيدورلوژيكي

پيشبيني صحيح فرآيندهاي هيدرولوژيكي ميتواند كمك شاياني در زمينه طراحي پروژه هاي آبي و نيز جلوگيري از خطرات ناشي از آنها داشته باشد. ويژگي هاي غيرخطي، عدم قطعيت ذاتي فرآيندهاي استوكاستيك و پيچيده بودن مدلهاي فيزيكي از دلايلي بوده است كه باعث شده محققان به سوي مدلهاي جعبه سياه از جمله مدل سري زماني و مدل شبكه عصبي مصنوعي روي آورند. در اين مقاله يك مدل تركيبي متشكل ازدو مدل شبكه عصبي و مدل خطي سري زماني فصلي ارائه گرديده است. در اين مدل تركيبي نخست سري زماني بارش– رواناب با الگوي سري زماني فصلي مدلسازي شده و سپس جهت برآورد باقيمانده هاي سري زماني از شبكههاي عصبي بهره گيري شده تا بتوان مقدار پيش بيني رواناب را به مقدار واقعي نزديك تر نمود. نتايج بدست آمده از اين مدل تركيبي با مدل شبكه عصبي يگانه مورد ارزيابي قرار گرفت كه نتيجه كلي بيانگربرتري مدل تركيبي مي باشد. همچنين از ديگر ويژگي هاي اين مدل، قابليت مناسب آن در رصد نمودن نقاط اكسترمم سري زماني است بنابراين مي توان گفت كه مدل تركيبي ياد شده يك مدل نيمه خطي فصلي از فرآيندهاي استوكاستيك را ارائه ميدهد كه ميتواند راهكار مناسبي براي پيشبيني فرآيند سرهاي زماني هيدرولوژيكي باشد